Un grupo de investigadores de diversos centros de investigación, entre ellos el Laboratorio Acelerador Nacional SLAC del Departamento de Energía de EE. UU., la Universidad de Stanford, el Instituto de Investigación de Toyota y el MIT, han utilizado la visión por computadora, una forma de aprendizaje automático, para comprender mejor el funcionamiento de las baterías de litio-ion recargables.

Los científicos examinaron minuciosamente películas de rayos X de los electrodos de las baterías a nivel nanométrico y descubrieron detalles físicos y químicos ocultos anteriormente. Este avance tiene el potencial de mejorar la eficiencia de las baterías de litio-ion y también de tener aplicaciones más amplias en la comprensión de sistemas complejos, como la división celular en embriones.

El estudio se centró en partículas de fosfato de hierro de litio (LFP), que se encuentran comúnmente en los electrodos positivos de las baterías de litio-ion. Estas partículas están recubiertas con una capa delgada de carbono para mejorar la conductividad eléctrica.

Para observar los procesos internos de las baterías, el equipo de investigación creó células de batería transparentes con dos electrodos rodeados por una solución electrolítica que contiene iones de litio en movimiento libre. A través de esta configuración, pudieron rastrear el movimiento de los iones de litio durante los ciclos de carga y descarga. Este proceso, conocido como intercalación, implica que los iones entren y salgan de las partículas de LFP.

El fosfato de hierro de litio (LFP) es altamente significativo en la industria de las baterías debido a su bajo costo, su historial de seguridad y su utilización de elementos abundantes, lo que lo hace especialmente relevante en el mercado de los vehículos eléctricos.

Este estudio se llevó a cabo como una colaboración entre investigadores que comenzó hace ocho años, cuando el profesor Martin Bazant del MIT y William Chueh de Stanford combinaron su experiencia en modelado matemático y microscopía avanzada de rayos X para estudiar partículas de batería. Más tarde, incorporaron herramientas de aprendizaje automático para acelerar las pruebas de batería e identificar métodos de carga óptimos. El estudio actual va un paso más allá al aprovechar la visión por computadora para analizar películas de rayos X a nivel nanométrico de 2016, lo que permite una comprensión más completa de las reacciones de inserción de litio dentro de las partículas de LFP.

Al pixelizar las imágenes de rayos X, los investigadores pueden capturar la concentración de iones de litio en cada punto dentro de la partícula. Esto les permite crear películas que ilustran el flujo de iones de litio dentro y fuera de las partículas durante la carga y descarga.

Al analizar las imágenes de rayos X, los investigadores encontraron que el movimiento de los iones de litio dentro del material se alineaba estrechamente con las simulaciones por computadora desarrolladas previamente por Bazant. Utilizaron 180,000 píxeles como medidas para entrenar un modelo computacional que describe con precisión la termodinámica fuera del equilibrio y la cinética de reacción del material de la batería.

Además, el estudio reveló que las variaciones en la absorción de iones de litio en la superficie de la partícula están correlacionadas con el grosor del recubrimiento de carbono. Este hallazgo sugiere que optimizar el grosor de la capa de carbono podría mejorar la eficiencia de la batería, lo que representa un avance importante en el diseño de baterías.

Los resultados de este estudio ofrecen ideas para la optimización de los electrodos de fosfato de hierro de litio y demuestran el potencial del aprendizaje automático y las técnicas avanzadas de imagen para desentrañar los misterios de los materiales y los sistemas. Este avance no solo allana el camino para mejoras en la tecnología de las baterías, sino que también tiene la promesa de estudiar la formación de patrones en otros sistemas químicos y biológicos.

Fuentes:
– Comunicado de prensa del MIT
– Comunicado de prensa de la Universidad de Stanford
– Revista «Nature»