Mejora de la eficiencia de la pila de combustible a través de técnicas de aprendizaje automático

El rendimiento tanto de las pilas de combustible como de las baterías de iones de litio (LiB) está estrechamente relacionado con la forma en que los poros o agujeros dentro de sus electrodos están dispuestos y conformados. Esta microestructura afectará la rapidez con que se cargan y descargan los LiB y la cantidad de electricidad que puede producir una celda de combustible.
Los poros son bastante pequeños, en el rango de micrómetros. Debido a su pequeña escala, ha resultado difícil estudiarlos con la resolución que sería necesaria para relacionarlos con el rendimiento del dispositivo.
Los investigadores del Imperial College de Londres han ideado una forma de estudiar los poros virtualmente. Los científicos han podido ejecutar simulaciones tridimensionales a través de la aplicación de aprendizaje automático y, de esta manera, obtener conocimiento de la microestructura y, a través de este conocimiento, predecir el rendimiento.

Aprendizaje profundo y aceleradores de partículas

Los investigadores emplearon una técnica de aprendizaje automático llamada redes adversas generativas convolucionales profundas (DC-GAN) para generar datos de imágenes tridimensionales de la microestructura. Este método implicó la aplicación de datos de entrenamiento obtenidos del uso de un sincrotrón.
Un sincrotrón es un acelerador de partículas circular que acelera las partículas cargadas hasta que se acercan a la velocidad de la luz, produciendo una luz muy brillante, llamada luz de sincrotrón. Los investigadores pueden usar esta luz para estudiar materia tan pequeña como átomos y moléculas.
Según el autor principal, Andrea Gayon-Lombardo, del Departamento de Ciencias e Ingeniería de la Tierra de Imperial, “Nuestra técnica nos ayuda a enfocar las baterías y las células para ver qué propiedades afectan el rendimiento general. El desarrollo de técnicas de aprendizaje automático basadas en imágenes como esta podría desbloquear nuevas formas de analizar imágenes a esta escala ".

Un diagrama que detalla la estructura del algoritmo de aprendizaje automático y el enfoque utilizado para aprender la "esencia" de los datos microestructurales. Imagen acreditada al Imperial College de Londres

Dificultades involucradas en la obtención de cantidades suficientes de datos

El proceso de ejecutar simulaciones 3D para predecir el rendimiento de la celda requiere una gran cantidad de datos. Esto es necesario para que el conjunto de datos sea estadísticamente representativo de toda la celda.
En la actualidad, obtener suficientes datos de imagen microestructural es difícil. Sin embargo, los autores del estudio pudieron entrenar su código para generar conjuntos de datos mucho más grandes con las mismas propiedades. Alternativamente, podrían generar estructuras a propósito que darían como resultado baterías de mejor rendimiento, según la sugerencia del modelo.
Según el supervisor del proyecto, el Dr. Sam Cooper, de la Escuela de Ingeniería de Diseño Dyson 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 células. Es un momento emocionante para las comunidades de almacenamiento de energía y aprendizaje automático, por lo que estamos encantados de explorar la interfaz de estas dos disciplinas ".

Objetivos de investigacion

Los investigadores tienen la intención de aplicar sus métodos a la fabricación de electrodos optimizados para células mejoradas. Para lograr este objetivo, limitaron el alcance de su algoritmo solo para producir resultados que se pueden construir utilizando la fabricación actual.

Información valiosa sobre microestructuras

Estudiar la microestructura de los elementos LiB es un área de investigación en curso. Recientemente informamos sobre el trabajo de los científicos del Laboratorio Nacional de Aceleradores SLAC del Departamento de Energía de los EE. UU. En la Universidad de Stanford. Estos investigadores emplearon datos de tomografía de rayos X, así como aprendizaje automático. El trabajo de Stanford proporcionó información valiosa sobre la descomposición de los cátodos de LiB.
Es necesario avanzar en la comprensión de cómo funcionan los dispositivos de almacenamiento y generación de energía a nivel estructural atómico para la búsqueda de una batería de LiB que permita la adaptación generalizada de los vehículos eléctricos. También hará posible las baterías más pequeñas y más densas en energía requeridas para el mayor avance de los dispositivos remotos de borde de IoT, donde el reemplazo o recarga frecuente de la batería impediría el progreso.