As tecnologias renováveis ​​são uma solução promissora para atender às necessidades globais de energia de forma sustentável.

Contudo, adoção generalizada de recursos de energia renovável de energia solar, vento, biomassa e mais ficaram para trás, em parte porque são difíceis de armazenar e transportar.

À medida que a busca por materiais para atender com eficiência a essas necessidades de armazenamento e transporte continua, Pesquisadores da Universidade de Delaware do Centro de Catálise para Inovação de Energia (CCEI) relatam novas técnicas para caracterizar materiais complexos com potencial para superar esses desafios.

Os pesquisadores relataram recentemente sua técnica em Nature Communications .

Vendo as peças, bem como o todo

Atualmente existem tecnologias para caracterizar superfícies altamente ordenadas com padrões de repetição específicos, como cristais. Descrever superfícies sem padrão repetitivo é um problema mais difícil.

O candidato ao doutorado da UD e bolsista de graduação do Blue Waters de 2019-2020, Josh Lansford e Dion Vlachos, que dirige o CCEI e o Delaware Energy Institute e é o professor Allan e Myra Ferguson de Engenharia Química e Biomolecular, desenvolveram um método para observar a estrutura da superfície local de partículas em escala atômica em detalhes, ao mesmo tempo mantendo todo o sistema à vista.

A abordagem, que aproveita o aprendizado de máquina, técnicas e modelos de ciência de dados baseados na física, permite que os pesquisadores visualizem de perto a estrutura tridimensional real de um material no qual estão interessados, mas também no contexto. Isso significa que eles podem estudar partículas específicas na superfície do material, mas também observe como a estrutura da partícula evolui - ao longo do tempo - na presença de outras moléculas e sob diferentes condições, como temperatura e pressão.

Colocar em uso, a técnica da equipe de pesquisa ajudará engenheiros e cientistas a identificar materiais que podem melhorar as tecnologias de armazenamento, como células de combustível e baterias, que alimentam nossas vidas. Essas melhorias são necessárias para ajudar essas tecnologias importantes a atingirem seu potencial máximo e se tornarem mais difundidas.

"Para otimizar as tecnologias de armazenamento eletroquímico, como células de combustível e baterias, devemos entender como eles funcionam e como são, "disse Lansford, o autor principal do artigo, que é aconselhado na UD por Vlachos, investigador principal do projeto.

“Precisamos entender a estrutura dos materiais que estamos gerando, em detalhe, para que possamos recriá-los com eficiência em grande escala ou modificá-los para alterar sua estabilidade. "

Modelagem computacional

Lansford admite que é muito caro e demorado modelar estruturas complexas diretamente. Em vez de, eles pegam dados, gerado a partir de um único ponto na superfície de um material, e escalá-lo para ser representativo para uma variedade de catalisadores em muitas superfícies de muitos materiais diferentes.

Imagine um cubo feito de muitos átomos. Os átomos localizados nos cantos do cubo terão propriedades diferentes de, dizer, os átomos localizados em um lado do cubo. Isso ocorre porque nas esquinas, menos átomos serão conectados uns aos outros e os átomos podem estar mais próximos uns dos outros. Enquanto estiver do lado do cubo, mais átomos serão conectados, embora possam estar mais espaçados uns dos outros.

O mesmo é verdadeiro para materiais catalisadores. Mesmo que não possamos vê-los a olho nu, as partículas que compõem um catalisador são adsorvidas em muitos locais diferentes no material - e esses locais têm bordas diferentes, saliências e outras variações que afetam o comportamento dos materiais localizados ali. Por causa dessas diferenças, os cientistas não podem usar um único número para tentar quantificar o que está acontecendo em toda a superfície de um material, então eles têm que estimar a aparência dessas superfícies.

De acordo com Lansford, é aqui que a modelagem computacional pode ajudar.

A equipe de pesquisa usou medições experimentais de diferentes comprimentos de onda de luz infravermelha e aprendizado de máquina para prever e descrever as propriedades químicas e físicas de diferentes superfícies dos materiais. Os modelos foram treinados inteiramente em dados gerados matematicamente, permitindo-lhes visualizar muitas opções diferentes em muitas condições diferentes.

Eles desenvolveram um software especial de código aberto para aplicar a técnica em diferentes metais, materiais e adsorbatos. A metodologia é flexível o suficiente para ser usada com outras técnicas espectroscópicas além da luz infravermelha, para que outros cientistas e engenheiros possam modificar o software para avançar em seu próprio trabalho.

"Este trabalho apresenta uma maneira inteiramente nova de pensar sobre como preencher a lacuna entre os materiais do mundo real e os sistemas de modelos bem definidos, com contribuições para a ciência de superfície e aprendizado de máquina independentes, "disse Lansford.