Aprendizaje automático para encontrar composiciones prometedoras para las baterías de iones de sodio
Los investigadores optimizan la composición de un óxido metálico de transición multielemento para lograr una densidad energética excepcional en las baterías de iones de sodio
Las baterías de iones de sodio (Na-ion) que utilizan iones de sodio como portadores de energía presentan una alternativa prometedora a las LIB debido a la abundancia de sodio, su mayor seguridad y su coste potencialmente inferior. En concreto, los óxidos estratificados de metales de transición que contienen sodio (NaMeO2) son materiales potentes para el electrodo positivo de las baterías de Na-ión, ya que ofrecen una densidad energética y una capacidad excepcionales. Sin embargo, en el caso de los óxidos estratificados multielementos compuestos por varios metales de transición, el gran número de combinaciones posibles hace que encontrar la composición óptima sea complejo y lleve mucho tiempo. Incluso pequeños cambios en la selección y proporción de los metales de transición pueden alterar notablemente la morfología de los cristales y afectar al rendimiento de las baterías.
Ahora, en un estudio reciente, un equipo de investigación dirigido por el profesor Shinichi Komaba, junto con la Sra. Saaya Sekine y el Dr. Tomooki Hosaka de la Universidad de Ciencias de Tokio (TUS), Japón, y de la Universidad Tecnológica de Chalmers, y el profesor Masanobu Nakayama del Instituto Tecnológico de Nagoya, aprovecharon el aprendizaje automático para agilizar la búsqueda de composiciones prometedoras. Los resultados de su estudio se recibieron el 05 de septiembre de 2024, con pruebas sin corregir, y se publicaron en línea en la revista Journal of Materials Chemistry A el 06 de noviembre de 2024, tras su revisión. Este estudio de investigación cuenta con el apoyo de las agencias de financiación JST-CREST, DX-GEM y JST-GteX.
El equipo trató de automatizar el cribado de composiciones elementales en diversos materiales de tipo NaMeO2 O3. Para ello, primero reunieron una base de datos de 100 muestras de semicélulas de sodio de tipo O3 con 68 composiciones diferentes, recopiladas a lo largo de 11 años por el grupo de Komaba. "La base de datos incluía la composición de las muestras de NaMeO2, siendo Me un metal de transición como Mn, Ti, Zn, Ni, Zn, Fe y Sn, entre otros, así como los límites superior e inferior de tensión de las pruebas de carga-descarga, la capacidad de descarga inicial, la tensión de descarga media y la retención de la capacidad tras 20 ciclos", explica Komaba.
A continuación, los investigadores utilizaron esta base de datos para entrenar un modelo que incorporaba varios algoritmos de aprendizaje automático, así como la optimización bayesiana, para realizar una búsqueda eficiente. El objetivo de este modelo era aprender cómo propiedades como el voltaje de funcionamiento, la retención de la capacidad (vida útil) y la densidad de energía están relacionadas con la composición de los óxidos estratificados de NaMeO2, y predecir la proporción óptima de elementos necesaria para lograr un equilibrio deseado entre estas propiedades.
Tras analizar los resultados, el equipo descubrió que el modelo predecía que el Na[Mn0,36Ni0,44Ti0,15Fe0,05]O2 era la composición óptima para lograr la mayor densidad de energía, que es una de las características más importantes en los materiales de electrodos. Para verificar la exactitud de la predicción del modelo, sintetizaron muestras con esta composición y montaron pilas monedero estándar para realizar pruebas de carga y descarga.
Los valores medidos fueron, en su mayoría, coherentes con los predichos, lo que pone de relieve la exactitud del modelo y su potencial para explorar nuevos materiales para baterías. "El enfoque establecido en nuestro estudio ofrece un método eficaz para identificar composiciones prometedoras de entre una amplia gama de posibles candidatos", comenta Komaba. "Además, esta metodología es extensible a sistemas de materiales más complejos, como los óxidos de metales de transición quinarios."
El uso del aprendizaje automático para identificar vías de investigación prometedoras es una tendencia creciente en la ciencia de materiales, ya que puede ayudar a los científicos a reducir en gran medida el número de experimentos y el tiempo necesarios para seleccionar nuevos materiales. La estrategia presentada en este estudio podría acelerar el desarrollo de baterías de nueva generación, que tienen el potencial de revolucionar las tecnologías de almacenamiento de energía en todos los ámbitos. Esto incluye no sólo la generación de energías renovables y los vehículos eléctricos o híbridos, sino también la electrónica de consumo, como los ordenadores portátiles y los teléfonos inteligentes. Además, las aplicaciones exitosas del aprendizaje automático en la investigación de baterías pueden servir como modelo para el desarrollo de materiales en otros campos, acelerando potencialmente la innovación en todo el panorama más amplio de la ciencia de los materiales.
"El número de experimentos puede reducirse utilizando el aprendizaje automático, lo que nos acerca un paso más a la aceleración y la reducción del coste del desarrollo de materiales. Además, como el rendimiento de los materiales de electrodos para baterías de Na-ion sigue mejorando, se espera que en el futuro se pueda disponer de baterías de alta capacidad y larga duración a un coste menor", concluye Komaba.
Esperemos que las baterías de iones de sodio comercialmente viables sean pronto una realidad".
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.