¿Qué es el modelizado y la simulación computacional?
El modelizado y simulación computacional de los componentes de una batería supone la creación de modelos de estructuras del cátodo, ánodo y electrolito, así como el seguimiento de los procesos que ocurren en ellos durante el ciclado de la batería. De este modo se pueden conocer las propiedades como la ciclabilidad y capacidad de una batería.
Dicho modelizado se puede llevar a cabo utilizando métodos de la mecánica cuántica, como es la teoría del funcional de la densidad (DFT), o campos de fuerza de la mecánica clásica. Asimismo, la inteligencia artificial ofrece algoritmos muy útiles para este modelizado.
¿Qué impacto puede tener esta área del conocimiento en el campo de las baterías y supercondensadores?
Hay que tener en cuenta que las propiedades de una batería son el resultado directo de su estructura. En ese sentido, el mero hecho de utilizar una impureza por otra, o la diferente distribución de la impureza en el seno de una estructura puede hacer que una batería tenga unas buenas propiedades.
No obstante, es imposible hacer todas esas pruebas experimentalmente. En ese sentido, la modelización computacional ofrece la posibilidad de ver las propiedades de compuestos que aún no se han sintetizado.
De igual manera, en muchos casos es necesario conocer la estructura del cátodo, ánodo o electrolito para explicar los resultados obtenidos experimentalmente. Sin embargo, muchas veces los métodos de caracterización experimentales no son suficientes para determinar la estructura de un compuesto, por lo que en esos casos es necesaria la modelización computacional, para poder explicar los resultados obtenidos experimentalmente en base a la estructura de los compuestos.
¿Qué avances existen ya y cuáles son los retos en los que puede ayudar esta área?
Como ocurre en muchos casos, cuanto más exacto o preciso es un método, mayor es el gasto que supone su empleo. En ese sentido, DFT es un método computacional de principios mecanocuánticos, pero su uso supone un gran coste computacional.
Teniendo en cuenta que en el estudio de estructuras de sólidos, es necesario tomar como base una supercelda que se repite periódicamente, cuando se trabaja con DFT, se deben utilizar superceldas relativamente pequeñas, y esto limita mucho la generación de posibles estructuras. En cambio, cuando se trabaja con campos de fuerza clásicos, el coste computacional es mucho menor y se pueden emplear mayores superceldas, pero la estructura resultante es menos precisa.
¿Qué impacto pueden tener otros avances como la inteligencia artificial en el campo del almacenamiento de energía?
La inteligencia artificial posibilita la obtención de campos de fuerza a partir de cálculos realizados con DFT. Esto supone la obtención de resultados comparables a los obtenidos con DFT, pero con un gasto computacional mucho menor. Con ello, se abren las puertas al estudio de estructuras de dos órdenes de magnitud mayores que en la actualidad, así como dinámicas moleculares mucho más largas.
Más allá del modelizado computacional, en la síntesis química de los compuestos de una batería entran en juego muchas variables como pueden ser la temperatura, pH, tiempo y ritmo de mezcla, tamaño de grano de las partículas, etc. No obstante, en muchos casos estas magnitudes no se controlan, y se les conceden valores arbitrarios. La inteligencia artificial puede ayudar a obtener expresiones concediéndoles valores precisos a estas variables. De este modo, se avanzaría mucho tanto en la síntesis como en el prototipado de las baterías.
¿En qué actividades está trabajando ahora mismo CIC energiGUNE en este campo?
CIC EnergiGUNE está en proyectos relacionados con MAP (Materials Acceleration Platforms). Estos MAP suponen la automatización y digitalización de la investigación, aumentando la eficacia de obtención de nuevos materiales. En efecto, un MAP posibilitaría la automatización de procesos de síntesis y caracterización de materiales para el almacenamiento de energía mediante inteligencia artificial.
De este modo, el MAP realizaría todo el proceso repetitivo de obtención de materiales, dejando al investigador más tiempo para asuntos propiamente científicos. Asimismo, la inteligencia artificial posibilitaría resolver problemas de un rango mucho mayor que con métodos convencionales.
