Uma equipe do Sandia National Laboratories de cientistas de materiais e cientistas da computação, com alguns colaboradores internacionais, passou mais de um ano criando 12 novas ligas – e modelando outras centenas – que demonstram como o Machine Learning pode ajudar a acelerar o futuro da energia do hidrogênio, tornando-a mais fácil para criar infraestrutura de hidrogênio para os consumidores.
Vitalie Stavila, Mark Allendorf, Matthew Witman e Sapan Agarwal fazem parte da equipe Sandia que publicou um artigo detalhando sua abordagem em conjunto com pesquisadores do Laboratório Ångström na Suécia e da Universidade de Nottingham no Reino Unido.
“Há uma rica história na pesquisa de armazenamento de hidrogênio e um banco de dados de valores termodinâmicos que descrevem as interações do hidrogênio com diferentes materiais”, disse Witman. “Com esse banco de dados existente, uma variedade de ferramentas de Machine Learning e outras ferramentas computacionais e recursos experimentais de última geração, montamos um grupo de colaboração internacional para unir forças neste esforço. Demonstramos que as técnicas de Machine Learning podem de fato modelar o física e química de fenômenos complexos que ocorrem quando o hidrogênio interage com os metais. ”
Ter uma capacidade de modelagem baseada em dados para prever propriedades termodinâmicas pode aumentar rapidamente a velocidade da pesquisa. Na verdade, uma vez construídos e treinados, esses modelos de Machine Learning levam apenas alguns segundos para serem executados e, portanto, podem filtrar rapidamente novos espaços químicos: neste caso, 600 materiais que prometem armazenamento e transmissão de hidrogênio.
“Isso foi realizado em apenas 18 meses”, disse Allendorf. “Sem o Machine Learning, isso poderia ter levado vários anos. Isso é grande quando você considera que, historicamente, leva algo como 20 anos para levar um material desde a descoberta em laboratório até a comercialização.”
Potencial para mudar o armazenamento de energia de hidrogênio
A equipe também encontrou algo mais em seu trabalho – resultados que têm implicações dramáticas para a geração de hidrogênio em pequena escala em postos de abastecimento de células a combustível de hidrogênio.
“Esses hidretos de liga de alta entropia podem permitir uma compressão em cascata natural do hidrogênio à medida que ele se move através dos diferentes materiais”, disse Stavila, acrescentando que a compressão do hidrogênio é tradicionalmente feita por meio de um processo mecânico.
Ele descreve a construção de um tanque de armazenamento com várias camadas dessas diferentes ligas. Conforme o hidrogênio é bombeado para o tanque, a primeira camada comprime o gás à medida que ele se move através do material. A segunda camada o comprime ainda mais e assim por diante através de todas as camadas de ligas diferentes, tornando naturalmente o hidrogênio utilizável em motores que geram eletricidade.
O hidrogênio produzido nas condições atmosféricas ao nível do mar tem uma pressão de cerca de 1 bar – a unidade métrica de pressão. Para que o hidrogênio mova um veículo ou algum outro motor a partir de uma célula de combustível, ele deve ser pressurizado – comprimido – a uma pressão muito mais alta. Por exemplo, o hidrogênio em uma estação de carregamento de célula de combustível deve ter uma pressão de 800 bar ou mais para que possa ser dispensado como hidrogênio de 700 bar em veículos de hidrogênio de célula de combustível.
“À medida que o hidrogênio se move através dessas camadas, fica cada vez mais pressurizado sem nenhum esforço mecânico”, explicou Stavila. “Você poderia teoricamente bombear 1 bar de hidrogênio e obter 800 bar – a pressão necessária para as estações de carregamento de hidrogênio.”
A equipe ainda está refinando o modelo, mas como o banco de dados já é público através do Departamento de Energia, uma vez que o método seja melhor compreendido, o uso de Machine Learning pode levar a avanços em uma miríade de campos, incluindo a ciência dos materiais, disse Agarwal.
Publicado em 21/09/2021 10h50
Artigo original:
Estudo original: