Un estudio realizado por el Laboratorio Nacional de Aceleradores SLAC del Departamento de Energía de los Estados Unidos, busca entender gracias al uso de algoritmos de machine learning, cómo las baterías de iones de litio pierden rendimiento con el paso del tiempo, y de esa manera, ver si existen oportunidades de mejoras
Las baterías de iones de litio van perdiendo su capacidad con el tiempo, lo que hace que los científicos y los ingenieros trabajen arduamente para comprender ese proceso en detalle. Ahora, los científicos del Laboratorio Nacional de Aceleradores SLAC del Departamento de Energía han combinado algoritmos sofisticados de machine learning con datos de tomografía de rayos X para producir una imagen detallada de cómo un componente de la batería, el cátodo, se degrada con el uso.
El nuevo estudio, fue publicado hoy 8 de mayo en Nature Communications, y se centró en cómo visualizar mejor lo que está sucediendo en los cátodos de níquel-manganeso-cobalto, o NMC. En estos cátodos, las partículas de NMC se mantienen unidas por una matriz de carbono conductora, y los investigadores han especulado que una causa de la disminución del rendimiento podría ser que las partículas se separen de esa matriz. El objetivo del equipo era combinar capacidades de vanguardia en Stanford Synchrotron Radiation Lightsource (SSRL) y el European Synchrotron Radiation Facility (ESRF) para desarrollar una imagen completa de cómo las partículas de NMC se separan de la matriz y cómo eso podría contribuir a las pérdidas de rendimiento.
Por supuesto, es una tarea difícil para los humanos descubrir lo que está sucediendo con solo mirar imágenes de un cátodo NMC, por lo que el equipo recurrió a la visión por computadora, un subcampo de algoritmos de machine learning originalmente diseñados para escanear imágenes o vídeos e identificar y rastrear objetos como perros o carros.
Incluso entonces, hubo desafíos. Los algoritmos de visión por computadora a menudo se centran en los límites definidos por líneas claras u oscuras, por lo que les sería difícil diferenciar entre varias partículas pequeñas de NMC pegadas y una sola grande pero parcialmente fracturada; para la mayoría de los sistemas de visión por computadora, esas fracturas se verían como pausas limpias.
Para abordar ese problema, el equipo utilizó un tipo de algoritmo configurado para tratar con objetos jerárquicos, por ejemplo, un rompecabezas, que podríamos considerar como una entidad completa a pesar de que se compone de muchas piezas individuales. Con aportes y juicios de los propios investigadores, entrenaron este algoritmo para distinguir diferentes tipos de partículas y así desarrollar una imagen tridimensional de cómo las partículas de NMC, grandes o pequeñas, fracturadas o no, se separan del cátodo.
Descubrieron que las partículas que se desprenden de la matriz de carbono realmente contribuyen significativamente al deterioro de la batería, al menos en condiciones que normalmente se verían en la electrónica de consumo, como los teléfonos inteligentes.
En segundo lugar, aunque es más probable que las partículas grandes de NMC se dañen y se rompan, también se separan unas cuantas partículas más pequeñas, y en general, hay más variación en la forma en que se comportan las partículas pequeñas, dijo Yijin Liu, científico del personal de SLAC autor principal del nuevo artículo.
Eso es importante porque los investigadores generalmente asumieron que al hacer más pequeñas las partículas de la batería, podrían fabricar baterías de mayor duración, algo que el nuevo estudio sugiere que podría no ser tan sencillo, dijo Liu.
Noticia tomada de: Phys / Traducción libre del inglés por WorldEnergyTrade.com
Te puede interesar: Baterías térmicas – ¿Una alternativa rentable para el autoconsumo fotovoltaico?
