Las tecnologías renovables son una solución prometedora para abordar las necesidades energéticas mundiales de forma sostenible.

Sin embargo, adopción generalizada de recursos de energía renovable a partir de la energía solar, viento, biomasa y más se han rezagado, en parte porque son difíciles de almacenar y transportar.

A medida que continúa la búsqueda de materiales para abordar de manera eficiente estas necesidades de almacenamiento y transporte, Investigadores de la Universidad de Delaware del Catalysis Center for Energy Innovation (CCEI) informan sobre nuevas técnicas para caracterizar materiales complejos con el potencial de superar estos desafíos.

Los investigadores informaron recientemente sobre su técnica en Comunicaciones de la naturaleza .

Viendo las partes así como el conjunto

Actualmente existen tecnologías para caracterizar superficies altamente ordenadas con patrones de repetición específicos, como cristales. Describir superficies sin patrones repetidos es un problema más complicado.

Candidato de doctorado de la UD y becario graduado de Blue Waters 2019-2020 Josh Lansford y Dion Vlachos, quien dirige tanto el CCEI como el Delaware Energy Institute y es el Profesor Allan y Myra Ferguson de Ingeniería Química y Biomolecular, han desarrollado un método para observar la estructura de la superficie local de las partículas de escala atómica en detalle y al mismo tiempo mantener a la vista todo el sistema.

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

Poner en uso, La técnica del equipo de investigación ayudará a los ingenieros y científicos a identificar materiales que pueden mejorar las tecnologías de almacenamiento. como pilas de combustible y baterías, que alimentan nuestras vidas. Estas mejoras son necesarias para ayudar a que estas importantes tecnologías alcancen su máximo potencial y se generalicen más.

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

"Necesitamos comprender la estructura de los materiales que generamos, en detalle, para que podamos recrearlos de manera eficiente a gran escala o modificarlos para alterar su estabilidad ".

Modelado computacional

Lansford admite que es demasiado costoso y requiere mucho tiempo modelar estructuras complejas directamente. En lugar de, toman datos, generado a partir de un solo punto en la superficie de un material, y escalarlo para que sea representativo de una variedad de catalizadores en muchas superficies de muchos materiales diferentes.

Imagina un cubo formado por muchos átomos. Los átomos ubicados en las esquinas del cubo tendrán propiedades diferentes que, decir, los átomos ubicados en un lado del cubo. Esto se debe a que en las esquinas, se conectarán menos átomos entre sí y los átomos pueden estar espaciados más juntos. Mientras que en el lado del cubo, más átomos estarán conectados aunque estén más espaciados entre sí.

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

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

El equipo de investigación utilizó medidas experimentales de diferentes longitudes de onda de luz infrarroja y aprendizaje automático para predecir y describir las propiedades químicas y físicas de diferentes superficies de materiales. Los modelos se entrenaron completamente 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 adsorbatos. La metodología es lo suficientemente flexible como para ser utilizada con otras técnicas espectroscópicas más allá de la luz infrarroja, para que otros científicos e ingenieros puedan modificar el software para avanzar en su propio trabajo.

"Este trabajo presenta una forma completamente nueva de pensar sobre cómo cerrar la brecha entre los materiales del mundo real y los sistemas de modelos bien definidos, con contribuciones a la ciencia de la superficie y el aprendizaje automático que se destacan por sí mismas, "dijo Lansford.