Objetivos
Innovación en IA y materiales avanzados para un almacenamiento energético más eficiente
Arquitectura de módulos eficaz para el diseño inverso de nanopartículas basado en IA.
El proyecto desarrollará un marco innovador de aprendizaje por refuerzo que permitirá a la inteligencia artificial diseñar y descubrir materiales avanzados de forma automatizada. Este sistema integrará modelos predictivos, generativos y de aprendizaje profundo para optimizar el desarrollo de nanomateriales.
Nanopartículas con funcionalidades mejoradas
Se trabajará en la optimización y producción de una amplia variedad de nanopartículas, como las de silicio, celulosa y lignina, utilizando procesos sostenibles de química verde y biotecnología. Estas partículas estarán diseñadas para mejorar el rendimiento y la eficiencia en aplicaciones energéticas.
Nuevos materiales con funcionalidades mejoradas para almacenamiento energético
Se formularán materiales avanzados, como ánodos, cátodos y electrolitos, con propiedades optimizadas para su implementación en celdas electroquímicas de última generación. Estas innovaciones buscan mejorar la sostenibilidad y el rendimiento en tecnologías de almacenamiento de energía.
Arquitectura de módulos eficaz para el diseño inverso de nanopartículas basado en IA.
Se desarrollará un marco de aprendizaje por refuerzo (RL), integrando varias técnicas de inteligencia artificial para crear un agente IA orientado al diseño y descubrimiento automatizado de materiales y recetas electroquímicas eficiente y robusto. Este marco tomará la forma de un protocolo repetitivo de prueba y error, donde el agente IA, seleccionará una acción basada en su estado actual y recibe una recompensa en función del nuevo estado y la acción realizada. El RL permitirá a los agentes de IA aprender cómo comportarse en un ambiente para maximizar una recompensa dada, mediante la exploración y prueba de diferentes acciones en una variedad de situaciones.
Así, HIB adoptará un marco RL que funcionará en simbiosis con los siguientes módulos:
- Modelos predictivos (MP), que serán capaces de analizar y aprender de los datos para ofrecer una visión más detallada y precisa de las propiedades y comportamientos de los materiales
- Modelos generativos de IA (MG), que permitirán generar nuevos materiales con propiedades deseadas
- Modelos subrogados de Deep Learning (DLSM), que acelerarán las simulaciones computacionales para el modelado de sistemas complejos, reduciendo el tiempo y los recursos necesarios).
Este enfoque permitirá una exploración efectiva del espacio de diseño de nanomateriales, aprendiendo de las experiencias previas y utilizando este conocimiento para ajustar y optimizar las futuras, proporcionando un enfoque revolucionario para el descubrimiento de nanomateriales.
Enfoque integral de NanomatIA
Destacan los frameworks basados en IA para optimizar nanopartículas, recetas de ánodos, cátodos y electrolitos, utilizando modelos químicos y físicos avanzados. Estas estrategias buscan maximizar las funcionalidades y la sostenibilidad de los materiales aplicados al almacenamiento energético.
Nanopartículas con funcionalidades mejoradas
Micro y nanopartículas de silicio en polvo
FGIn estudiará y optimizará el proceso de obtención de micro y nano silicio (microSi y nanoSi) ajustando la pureza y el dopaje en función de las materias primas y de la adición intencionada de impurezas. Nanofibras de carbono (CNFs) con nanopartículas de silicio LEITAT obtendrá nanofibras de carbono con nanopartículas de Si (Si-CNFs), mediante el uso de la electrohilatura escalable y a partir de precursores más sostenibles (nanocelulosa, en base agua y nanolignina).
Nanofibras de carbono (CNFs) con nanopartículas de silicio
LEITAT obtendrá nanofibras de carbono con nanopartículas de Si (Si-CNFs), mediante el uso de la electrohilatura escalable y a partir de precursores más sostenibles (nanocelulosa, en base agua y nanolignina).
Nanopartículas de celulosa (NFCs)
CETIM estudiará diferentes pretratamientos que ayuden a reducir el coste tanto económico como energético del proceso de obtención de las NFCs, así como diferentes modificaciones que mejoren las propiedades de las NFCs y que le otorguen propiedades de interés para su aplicación en materiales de almacenamiento energético. Para maximizar la reducción de costes y la eficiencia de los procesos, se apoyarán en la biotecnología y en la IA.
Además, CETIM y UDC emplearán estrategias de evolución molecular dirigida e ingeniería de proteínas para lograr un biocatalizador adaptado a las rigurosas condiciones industriales. Las diferentes variantes génicas podrán construirse mediante mutagénesis al azar o dirigida. Además, se propone realizar experimentos de inmovilización, para aumentar la estabilidad de las lignocelulasas encontradas.
Micro y nanopartículas de lignina (LNPs)
CETIM estudiará procesos de obtención y modificación de las LNPs que sean escalables, factibles técnica y económicamente y respetuosos con el medio ambiente, a través del apoyo de la biotecnología y la IA.
Óxidos metálicos nanoestructurados simples y complejos, en base a procesos físicos, biotecnológicos y de química verde.
RIMSA llevará a cabo la síntesis de LTO y LFP como material activo de ánodo y cátodo respectivamente, empleando rutas de síntesis en estado sólido optimizando los consumos energéticos, mientras que LEITAT optimizará procesos de química húmeda con el fin de obtener nanomateriales catódicos LFP más uniformes y puros. Además, se llevarán a cabo recubrimientos de NFCs o LNPs (CETIM) para la preparación de electrodos para mejorar la ciclabilidad de las baterías.
LUR producirá nanopartículas de LTO y LFP mediante LF-FSP, obteniendo compuestos de alta pureza, baja aglomeración y de tamaño muy pequeño, en torno a 10-40 nm. RIMSA,
LUR y LEITAT compararán las prestaciones electroquímicas conseguidas por las nanopartículas de LTO y LFP, mediante los diferentes métodos de síntesis, como material anódico y catódico.
Nuevos materiales con funcionalidades mejoradas para almacenamiento energético
Materiales anódicos, catódicos y electrolitos
FGIn estudiará la aplicación de recubrimientos carbonosos estables, a partir de precursores sostenibles, para las partículas de Si a fin de maximizar su respuesta electroquímica reduciendo la capacidad irreversible durante el primer ciclo y aumentando la ciclabilidad. La interacción Si – electrolito es también clave, por ello, establecerá feedback sobre la idoneidad de uso de micro/nano Si con el electrolito investigado.
RIMSA, LUR y LEITAT buscarán mejorar las propiedades electroquímicas a elevada velocidad de carga y descarga para los materiales anódicos y catódicos.
RIMSA buscará mejorar la estabilidad electroquímica de estos sistemas al emplear nanomateriales como las NFCs o LNPs como componentes binder de formulaciones (slurries) electródicas.
LEITAT investigará el uso de CNFs mejoradas en el ánodo, mediante el uso de agentes dopantes, recubrimientos, y otras estrategias de interés; generando electrodos más flexibles, capaces de amortiguar la expansión del material debido a la inserción de iones litio, y suprimir el agrietamiento y aislamiento del electrodo, mejorando la interfase ánodo-electrolito.
ENSO llevará a cabo la obtención de electrolitos semi-sólidos basados en mezclas ternarias y el uso de nanocelulosa y/o nanolignina como aditivos para la modificación de la conductividad iónica y del transporte de litio, así como se obtendrá matrices de encapsulación basadas en las nanopartículas de interés con el fin de obtener ionogeles híbridos. CETIM llevará a cabo la evaluación electroquímica de los electrolitos. La interacción con el micro/nanoSi del ánodo también es clave y determinante de la validez del electrolito a emplear.
Celdas electroquímicas
CETIM mejorará drásticamente del rendimiento de las celdas electroquímicas ion-litio por medio de mejoras significativas en materiales avanzados que cubran diferentes componentes de la celda electroquímica, con el fin de ir más allá de las tecnologías de última generación que se utilizan actualmente (baterías ion-litio mejoradas y/o en estado sólido o semisólido.
