Un nuevo algoritmo de machine learning permite a los investigadores explorar posibles diseños para la microestructura de las celdas de combustible y las baterías de iones de litio, antes de ejecutar simulaciones en 3-D que ayudan a los investigadores a realizar cambios para mejorar el rendimiento.
Las mejoras podrían incluir hacer que los teléfonos inteligentes se carguen más rápido, disminuir el tiempo de carga de los vehículos eléctricos y aumentar la potencia de las celdas de combustible de hidrógeno que funcionan en los data centers.
Las celdas de combustible utilizan hidrógeno limpio, que puede ser generado por la 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, ordenadores portátiles y coches 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 puede afectar a la cantidad de energía que pueden generar las celdas 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 celdas.
Ahora, los investigadores del Departamento de Ciencias de la Tierra e Ingeniería de Londres han aplicado técnicas de machine learning para ayudarlos a explorar estos poros virtualmente y ejecutar simulaciones en 3-D para predecir el rendimiento de las celdas en función de su microestructura.
La autora principal, Andrea Gayon-Lombardo, del Departamento Imperial de Ciencias de la Tierra e Ingeniería, dijo:
“Nuestra técnica nos ayuda a acercarnos a las baterías y celdas para ver qué propiedades afectan al rendimiento general. El desarrollo de técnicas de machine learning basadas en imágenes como esta podría desbloquear nuevas formas de analizar imágenes a esta escala”.
Cuando se realizan simulaciones en 3-D para predecir el rendimiento de la celdas de combustible, los investigadores necesitan un volumen de datos lo suficientemente grande como para ser considerado estadísticamente representativo de toda la celdas. 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 generar deliberadamente estructuras que los modelos sugieren que resultarían en baterías de mejor rendimiento.
El supervisor del proyecto, el Dr. Sam Cooper, de la Escuela Dyson de Ingeniería de Diseño de Imperial, dijo: “Los hallazgos de nuestro equipo ayudarán a los investigadores de la comunidad energética a diseñar y fabricar electrodos optimizados para mejorar el rendimiento de las celdas. Es un momento emocionante tanto para las comunidades de almacenamiento de energía como para el machine learning, así que estamos encantados de explorar la interfaz de estas dos disciplinas”.
Al restringir su algoritmo para que sólo produzca resultados que actualmente son factibles de fabricar, los investigadores esperan aplicar su técnica para diseñar electrodos optimizados para las celdas de próxima generación.
Noticia tomada de: Tech Xplore / Traducción libre del inglés por WorldEnergyTrade.com
Te puede interesar:
- Turbinas eólicas con dientes serrados la nueva alternativa
- La energía solar puede crear combustible renovable a partir de dióxido de carbono
- Plantas y bacterias incrementan eficiencia de células solares
