Hacia la investigación automatizada de baterías

2020/11/24 Oier Lakuntza - CIC energiGUNE Iturria: Elhuyar aldizkaria

• Kimika
• Energia
• Teknologia

A medida que avanza el desarrollo de dispositivos móviles, la necesidad de baterías para almacenar la energía que necesitan los dispositivos aumentará considerablemente. En definitiva, los vehículos eléctricos, el uso de energías renovables, los drones y los implantes sanitarios están en constante expansión, y para dar respuesta a este desarrollo Europa deberá tener capacidad para producir baterías que almacenen una energía total de entre 200 GWh y 1 TWh.

Como es sabido, las baterías de litio-ion (VOL) son las más utilizadas en la actualidad. Sin embargo, estas baterías ya están llegando a su máxima densidad energética, lo que implica la investigación de nuevos sistemas. Sin embargo, esto suele ser un trabajo laborioso. De hecho, la tabla periódica ofrece un campo de composición muy amplio, y una vez seleccionado uno de ellos, es imprescindible sintetizarla y analizar sus propiedades. En esencia, este es el paso limitante en la búsqueda de nuevos materiales, ya que se ve la validez de todo el trabajo realizado anteriormente. Si no se obtienen resultados satisfactorios, es necesario reiniciar el proceso desde el principio.

Un proyecto de investigación liderado por los investigadores de CIC EnergiGUNE, Javier Carrasco y Marine Reinaud, busca crear una plataforma de desarrollo de materiales que agilice y abarque este proceso. Esta plataforma sintetizará y caracterizará de forma autónoma estructuras seleccionadas a partir de cálculos atómicos básicos, aprendizaje automatizado e inteligencia artificial (IA), lo que acelerará y abaratará fuertemente el proceso de obtención de materiales.

Procedimiento habitual y antecedentes de automatización

La búsqueda de nuevos materiales ha sido siempre un proceso de experimentación basado en la intuición de los investigadores. Este proceso, largo y costoso, ha dado buenos resultados en la investigación en catálisis, polímeros y electrolitos.

Este procedimiento resulta especialmente efectivo cuando se combina con métodos teóricos de gran precisión. En la investigación de componentes para baterías, este procedimiento ha dado sus frutos para validar los aditivos de electrolitos y analizar las condiciones de preparación del compuesto LiNi1/3Mn1/3Co1/3O2 para baterías de litio.

Sin embargo, a medida que aumenta el número de variables químicas, esta búsqueda sistemática no se hace posible y en la actualidad se trata de analizar las variables de forma selectiva y de reducir los experimentos a realizar. Básicamente, el proceso de búsqueda convencional se gestiona como un proceso de optimización, y un algoritmo de guiado de datos sustituye la intuición química de los investigadores.

Cuando son pocas las condiciones experimentales que pueden cambiar a la vez, los experimentos que se realizan por sí mismos son viables. Por ejemplo, el estudio de las condiciones de síntesis de nanopartículas o de la composición más adecuada de los disolventes se ha realizado mediante experimentos autónomos. Sin embargo, a medida que aumenta el número de variables a tener en cuenta (condiciones experimentales, composición, etc.) son necesarios otros métodos.

Por tanto, los avances que se están obteniendo en los campos del aprendizaje automático y de la inteligencia artificial son de gran ayuda para solucionar este problema. Por ejemplo, los algoritmos de aprendizaje automático pueden buscar relaciones entre variables, lo que puede servir para predecir los resultados de los experimentos realizados en determinadas condiciones. Así, los experimentos automatizados guiados por inteligencia artificial también se están extendiendo en las ciencias de los materiales. Prueba de ello son las plataformas que modifican de forma autónoma sus propiedades ópticas y eléctricas modificando la composición o las condiciones de creación de los finos.

También están disponibles las técnicas de obtención de nuevos materiales para baterías. El problema es que los protocolos de síntesis y la caracterización no están regulados. Esto se debe a que, al tratarse de resultados a menudo desconocidos en qué condiciones concretas se han obtenido, estos resultados no pueden ser interpretados con precisión, lo que hace que no puedan aplicarse universalmente.

Proyecto en marcha

Este proyecto de CIC EnergiGUNE tiene dos objetivos principales: por un lado, la correcta utilización de los algoritmos de inteligencia artificial para la planificación experimental y, por otro, el control de la síntesis automatizada de materiales a través de los resultados que se están obteniendo.

La plataforma de desarrollo de materiales, a partir de los cálculos realizados a través de los principios básicos y de los resultados de los experimentos previos, anunciará los resultados de los experimentos que se realizarían en función de unos parámetros de control. Si procede, realizará el experimento de forma autónoma, y en función de los resultados obtenidos se irá afinando el procedimiento de síntesis, buscando relaciones entre los parámetros de control establecidos y los resultados obtenidos. Por el contrario, si los resultados anunciados no son tan deseables, estudiará otras alternativas de síntesis.

Como punto de partida, la plataforma de desarrollo de materiales trabajará en dos sistemas:

• Li-Ni-Mn-Mg-Al-O: para reducir la cantidad de cobalto (Co) que se utiliza en los electrodos de la mayoría de los VOLS comerciales actuales, se ha considerado sustituir este elemento por magnesio (Mg) o aluminio (Al).
• NaMPO4 (M=Mn, Fe, Ni, Co): Siendo LiFePO4 el cátodo de referencia de las OPS, es importante investigar adecuadamente este sistema, ya que éste sería el cátodo paralelo en las baterías de sodio ion.

Una vez investigados estos dos sistemas, la plataforma de desarrollo de materiales y los conocimientos adquiridos se utilizarán para investigar otros sistemas de interés para nuevas baterías.

Por lo tanto, se puede afirmar que la inteligencia artificial ha llegado a la investigación de nuevas baterías. En esencia, después de haber investigado mucho sobre la inteligencia artificial, ahora es la propia inteligencia artificial la que empieza a investigar lo que el hombre investigaba.