Redacción
Un nuevo algoritmo de aprendizaje automático (un tipo de inteligencia artificial) está permitiendo a los investigadores explorar posibles nuevos diseños para la microestructura de las células de combustible y las baterías de iones de litio, antes de ejecutar simulaciones en 3D que ayuden a los investigadores a hacer cambios para mejorar el rendimiento.
Las mejoras podrían incluir hacer que los teléfonos inteligentes se carguen más rápido, aumentar el tiempo entre las recargas de los vehículos eléctricos y aumentar la potencia de las pilas o células de combustible de hidrógeno que funcionan en los centros de datos.
El artículo se publicó en la revista Computational Materials.
Las pilas de combustible utilizan hidrógeno limpio, que puede ser generado por energía eólica y solar, para producir calor y electricidad, y las baterías de iones de litio, como las que se encuentran en los teléfonos inteligentes, las computadoras portátiles y los automóviles eléctricos, son un tipo popular de almacenamiento de energía. El rendimiento de ambas está estrechamente relacionado con su microestructura: la forma y disposición de los poros (agujeros) dentro de sus electrodos pueden afectar a la cantidad de energía que pueden generar las células de combustible, y a la rapidez con que se cargan y descargan las baterías.
Sin embargo, debido a que los poros a escala micrométrica son tan pequeños, sus formas y tamaños específicos pueden ser difíciles de estudiar con una resolución lo suficientemente alta como para relacionarlos con el rendimiento general de la célula.
Ahora, los investigadores han aplicado técnicas de aprendizaje automático para ayudarles a explorar estos poros virtualmente y ejecutar simulaciones en 3D para predecir el rendimiento de las células en base a su microestructura.
Imágenes de las muestras de cátodo y ánodo que muestran microestructuras reales y generadas por algoritmos. (Foto: Imperial College London)
Los investigadores utilizaron una novedosa técnica de aprendizaje automático llamada DC-GAN (deep convolutional generative adversarial networks). Estos algoritmos pueden aprender a generar datos de imágenes 3D de la microestructura basándose en los datos de entrenamiento obtenidos de los sincrotrones realizados con imágenes a nanoescala (una especie de acelerador de partículas del tamaño de un estadio de fútbol).
La autora principal, Andrea Gayon-Lombardo, del Departamento de Ciencias de la Tierra e Ingeniería del Imperial C., dijo: “Nuestra técnica nos ayuda a acercarnos a las baterías y células para ver qué propiedades afectan al rendimiento general. El desarrollo de técnicas de aprendizaje automático basadas en imágenes como esta podría desbloquear nuevas formas de analizar imágenes a esta escala”.
Cuando se realizan simulaciones en 3D para predecir el rendimiento de la célula, los investigadores necesitan un volumen de datos lo suficientemente grande como para ser considerado estadísticamente representativo de toda la célula. Actualmente es difícil obtener grandes volúmenes de datos de imágenes microestructurales con la resolución requerida.
Sin embargo, los autores descubrieron que podían entrenar su código para generar conjuntos de datos mucho más grandes que tuvieran todas las mismas propiedades, o bien generar deliberadamente estructuras que, según los modelos, darían lugar a baterías de mejor rendimiento.
El supervisor del proyecto, el Dr. Sam Cooper, de la Escuela de Ingeniería de Diseño Dyson del Imperial, dijo: “Los resultados de nuestro equipo ayudarán a los investigadores de la comunidad energética a diseñar y fabricar electrodos optimizados para mejorar el rendimiento de las células. Es un momento emocionante tanto para las comunidades de almacenamiento de energía como de aprendizaje automático, así que estamos encantados de explorar la interfaz de estas dos disciplinas”.
Al restringir su algoritmo para que solo produzca resultados que actualmente son factibles de fabricar, los investigadores esperan aplicar su técnica de fabricación para diseñar electrodos optimizados para las células de la próxima generación.
[/fusion_builder_column][/fusion_builder_row][/fusion_builder_container]
