Avance para hacer más viables las energías renovables

Las tecnologías para el sector de las energías renovables son una solución prometedora para abordar las necesidades energéticas mundiales de manera sostenible.

Sin embargo, la adopción generalizada de recursos energéticos renovables procedentes de la energía solar, eólica, biomasa y otras fuentes se ha retrasado, en parte debido a que son difíciles de almacenar y transportar.

A medida que continúa la búsqueda de materiales para atender eficientemente estas necesidades de almacenamiento y transporte, los investigadores del Centro de Catálisis para la Innovación Energética (CCEI) de la Universidad de Delaware informan sobre nuevas técnicas para caracterizar materiales complejos con el potencial de superar estos desafíos.

Los investigadores informaron recientemente de su técnica en la revista Nature Communications.

Actualmente existen tecnologías para caracterizar superficies altamente ordenadas con patrones específicos de repetición, como los cristales. La descripción de superficies sin patrones de repetición es un problema más difícil.

El candidato a doctorado de la UD y becario de postgrado Josh Lansford, y Dion Vlachos, que dirige tanto el CCEI como el Instituto de Energía de Delaware y es Profesor de Ingeniería Química y Biomolecular, han desarrollado un método para observar la estructura de la superficie local de las partículas a escala atómica en detalle, manteniendo simultáneamente a todo el sistema a la vista.

Autobús con célula de combustible. (Foto: Jon Cox/Josh Lansford)

El enfoque, que aprovecha el aprendizaje automático, técnicas de ciencia de los datos y modelos basados en la física, permite a los investigadores visualizar de cerca la estructura tridimensional real de un material que les interesa, pero también en su contexto. Esto significa que pueden estudiar partículas específicas en la superficie del material, pero también observar cómo evoluciona la estructura de la partícula -- a lo largo del tiempo -- en presencia de otras moléculas y bajo diferentes condiciones, como la temperatura y la presión.

Poniéndola en práctica, la técnica del equipo de investigación ayudará a los ingenieros y científicos a identificar materiales que pueden mejorar las tecnologías de almacenamiento, como las células de combustible y las baterías, que energizan nuestras vidas. Estas mejoras son necesarias para ayudar a estas importantes tecnologías a alcanzar su pleno potencial y a que se difundan más.

"Para optimizar las tecnologías de almacenamiento electroquímico, como las células de combustible y las baterías, debemos entender cómo funcionan y cómo se ven", dijo Lansford, el autor principal del artículo, quien está asesorado en la UD por Vlachos, el investigador principal del proyecto.

"Necesitamos entender la estructura de los materiales que estamos generando, en detalle, para poder recrearlos eficientemente a gran escala o modificarlos para alterar su estabilidad".

Lansford admite que es demasiado costoso y lento modelar estructuras complejas directamente. En su lugar, toman datos, generados desde un solo punto de la superficie de un material, y los escalan para que sean representativos de una variedad de catalizadores en muchas superficies de muchos materiales diferentes.

Imaginen un cubo compuesto de muchos átomos. Los átomos situados en las esquinas del cubo tendrán propiedades diferentes que, por ejemplo, los átomos situados en una de las caras del cubo. Esto se debe a que en las esquinas habrá menos átomos conectados entre sí y los átomos pueden estar más espaciados entre sí. Mientras, en el lado del cubo, más átomos estarán conectados aunque estén más separados unos de otros.

Lo mismo ocurre con los materiales catalizadores. Incluso si no podemos verlas a simple vista, las partículas que componen un catalizador se adsorben en muchos sitios diferentes del material, y estos sitios tienen diferentes bordes, protuberancias y otras variaciones que afectan a la forma en que se comportarán los materiales ubicados allí. Debido a estas diferencias, los científicos no pueden usar un solo número para intentar cuantificar lo que ocurre en toda la superficie de un material, por lo que tienen que estimar el aspecto de estas superficies.

Según Lansford, aquí es donde el modelado computacional puede ayudar.

El equipo de investigación utilizó mediciones experimentales de diferentes longitudes de onda de la luz infrarroja y el aprendizaje automático para predecir y describir las propiedades químicas y físicas de diferentes superficies de materiales. Los modelos fueron entrenados enteramente con datos generados matemáticamente, permitiéndoles visualizar muchas opciones diferentes bajo muchas condiciones diferentes.

Desarrollaron un software especial de código abierto para aplicar la técnica en diferentes metales, materiales y adsorbentes. La metodología es lo suficientemente flexible como para ser utilizada con otras técnicas espectroscópicas más allá de la luz infrarroja, de modo que otros científicos e ingenieros pueden modificar el software para avanzar en su propio trabajo.

"Este trabajo introduce una forma completamente nueva de pensar sobre cómo salvar la brecha entre los materiales del mundo real y los sistemas de modelos bien definidos, con contribuciones a la ciencia de la superficie y al aprendizaje automático que se sostienen por sí solas", dijo Lansford. (Fuente: NCYT Amazings)