Con el imparable auge de la movilidad eléctrica, almacenamiento estacionario de energía, drones e implantes médicos, se espera que la demanda global de baterías se incremente sustancialmente en la próxima década. De hecho, solo a nivel europeo, se estima que será necesaria una capacidad de producción de celdas de entre 200 GWh y el rango de los TWh.
Actualmente las baterías de ion-litio ofrecen la mayor capacidad del mercado. Esto se debe, en gran parte, a los incesantes esfuerzos de investigación y desarrollo llevados a cabo durante las últimas décadas, que han permitido a esta tecnología alcanzar prácticamente su límite máximo teórico de densidad energética. Sin embargo, esto no basta para satisfacer las prestaciones requeridas por muchas de las nuevas aplicaciones como, por ejemplo, el vehículo eléctrico. La exploración de nuevos sistemas químicos capaces de ir más allá que la tecnología de ion-litio es, por tanto, imprescindible.
A nivel europeo, BATTERY 2030+ es la iniciativa investigadora colaborativa y multidisciplinar a gran escala que pretende sentar las bases fundamentales para el desarrollo de las baterías sostenibles del futuro. Con el fin de fijar retos claves, BATTERY 2030+ propone tres temas generales que abarcan diferentes áreas de investigación:
Actualmente, la investigación en el campo de materiales para baterías está basada en la intuición química de los investigadores. Esto suele involucrar procesos de optimización heurísticos basados en el método de ensayo y error. Por tanto, el descubrimiento de nuevos materiales, así como nuevos diseños de celda, supone un esfuerzo considerable en término de coste económico y tiempo - tradicionalmente suelen pasar más de 10 años entre el descubrimiento inicial de un material y su comercialización a nivel práctico.
Esta problemática es frecuente no sólo en el ámbito de las baterías, sino también en muchos otros campos de investigación. Mitigarlo no es tarea sencilla.
En este sentido, el cribado de alto rendimiento ha proliferado en los últimos años como una estrategia eficiente en distintas áreas de la ciencia de los materiales, tales como la catálisis, ciencia de polímeros o biomedicina.
El cribado de alto rendimiento es particularmente efectivo cuando se combina con métodos teóricos computacionales. En estos escenarios híbridos, se seleccionan los materiales candidatos por medio de cálculos teóricos previos para su posterior validación experimental. No obstante, estos procedimientos se basan en un cribado sistemático y exhaustivo de grandes espacios químicos, lo cual en muchos casos implica una explosión combinatorial intratable a nivel práctico.
Actualmente, se intenta reemplazar la búsqueda intensiva y exhaustiva por un recorrido parcial, más selectivo, del espacio a explorar. El objetivo es lograr disminuir el número de experimentos necesarios.
Esencialmente, este nuevo paradigma reformula el proceso tradicional de búsqueda, transformándolo en un problema de optimización, donde un algoritmo imparcial basado en datos intenta simular la intuición química del investigador. La idea es implementar laboratorios autónomos y automatizados capaces de recorrer secuencialmente el espacio material utilizando algoritmos de optimización designados específicamente para la aplicación de interés.
En ese contexto, BATTERY2030+ sugiere establecer una plataforma de desarrollo acelerado de materiales para baterías.
Los robots autónomos de síntesis, controlados y dirigidos por inteligencia artificial, son elementos centrales de este nuevo paradigma de búsqueda. Estos sistemas son ya una realidad y se emplean en la investigación de nuevos compuestos orgánicos y farmacéuticos.
En el ámbito del almacenamiento de energía, la automatización y síntesis dirigida por robots inteligentes abre el campo al desarrollo de electrolitos funcionales y materiales activos para ánodos y cátodos.
Actualmente, la principal limitación es que ni los protocolos de síntesis, ni los de caracterización están estandarizados, de manera que, habitualmente no se conocen todas las condiciones en las cuales se han conseguido muchos de los resultados reportados en la literatura científica.
Se cree que un cribado experimental y teórico intensivo de grandes librerías de compuestos por medio de la automatización, los ensayos miniaturizados y el análisis de grandes bases de datos, podría acelerar el descubrimiento de materiales hasta en un orden de magnitud con respecto a métodos convencionales.
Hoy en día, existen varios ejemplos de sistemas de cribado de alto rendimiento totalmente automatizados para la formulación de electrolitos, diseños de celda y medidas electroquímicas seleccionadas, como por ejemplo, el Centro de Investigación de Baterías de Alemania (MEET).
En CIC energiGUNE recientemente hemos iniciado el proyecto ION-SELF, financiado por el Ministerio de Ciencia e Innovación y liderado por Javier Carrasco y Marine Reynaud.
ION-SELF implementará técnicas de inteligencia artificial que aprenderán tanto de datos provenientes de simulaciones teóricas como resultados experimentales reales. El objetivo de dicho entrenamiento computacional es predecir los resultados de nuevos experimentos bajo ciertos parámetros de control (composición, temperatura, tiempos de reacción, disolvente, atmósfera, etc.).
La estrecha relación entre el ámbito teórico (simulación de materiales) y experimental (síntesis y caracterización) existente en ION-SELF, permitirá la identificación de correlaciones entre diferentes tipos de experimentos y cálculos teóricos. Esto comportará la obtención de resultados más rápido que mediante procedimientos intensivos de fuerza bruta.
Los dos objetivos principales de ION-SELF son:
Un aspecto clave de ION-SELF es el llamado proceso de experimentación en bucle cerrado. Es decir, evaluar en todo momento los resultados obtenidos de los experimentos realizados hasta ese momento, para planificar mejor los siguientes experimentos por medio de algoritmos basados en métodos de la inteligencia artificial.
Como prueba de concepto, en el proyecto ION-SELF se considerarán los siguientes dos casos de estudio:
En la última fase del proyecto, se ampliarán los conocimientos adquiridos para el estudio de otros sistemas seleccionados mediante métodos computacionales, con el fin de conseguir nuevos materiales atractivos para electrodos.
El éxito del proyecto ION-SELF permitirá acelerar el descubrimiento de nuevos materiales para baterías, lo que se trasladará, a su vez, en un paso más en el objetivo final de la descarbonización total de la economía europea.
Javier Carrasco, Jefe del grupo de investigación Modelizado y Simulación Computacional de CIC energiGUNE
Oier Lakuntza, investigador postdoctoral del grupo de investigación Modelizado y Simulación Computacional de CIC energiGUNE.
Si quieres conocer las últimas tendencias en almacenamiento de energía y novedades en investigación, suscríbete.
Si quieres unirte a un equipo de primer nivel, colaborar con especialistas en múltiples disciplinas o contarnos tus inquietudes no te lo pienses…