Cientistas do Instituto de Tecnologia de Massachusetts (MIT) desenvolveram um processo acelerado de seleção de novos compostos de perovskita à medida que buscam aqueles com potencial para serem usados em células solares de alta eficiência. De acordo com o MIT, o processo acelera a síntese e análise de novos compostos por um fator de dez e já destacou dois conjuntos de materiais que merecem um estudo mais aprofundado.
Os pesquisadores do MIT afirmam ter reduzido drasticamente a escala de tempo para identificar combinações adequadas de perovskita solar. Imagem: Nick Stenning / Wikimedia Commons.
A indústria solar e a comunidade de pesquisa já investiram uma quantidade enorme de trabalho em um ou dois materiais de perovskita que mostraram potencial para geração de energia solar altamente eficiente.
O termo perovskita, no entanto, refere-se a uma classe de materiais com uma estrutura cristalina particular e abrange um número enorme - “praticamente ilimitado”, de acordo com o Massachusetts Institute of Technology (MIT) - de possíveis combinações de materiais.
Pesquisando através deles para identificar materiais com forte potencial de células solares é, portanto, um processo lento. A modelagem computacional pode ajudar a restringir os candidatos, como demonstrou o recente trabalho da Universidade da Califórnia em San Diego, mas, para certeza absoluta, os cientistas precisam passar pelo meticuloso processo de sintetizar e analisar materiais no laboratório.
Cientistas do MIT dizem que foram capazes de acelerar o processo em dez vezes, desenvolvendo um sistema que permite testes paralelos de uma grande variedade de materiais e emprega aprendizado de máquina para avançar ainda mais as coisas. Tonio Buonassisi, professor de engenharia mecânica do MIT, disse que sua equipe pretende reduzir o tempo de desenvolvimento de novos materiais de conversão de energia para menos de dois anos.
Aprendizado de máquina
Buonassisi explicou que a maioria das melhorias na velocidade vem do acompanhamento e do cronograma das etapas envolvidas, aumentando o número de materiais a serem testados simultaneamente. "Agora podemos acessar uma grande variedade de composições diferentes usando a mesma plataforma de materiais", disse ele. "Isso nos permite explorar uma vasta gama de espaço de parâmetros."
A adição de técnicas de aprendizado de máquina reduz ainda mais o tempo gasto. A equipe usou a difração de raios X para observar detalhes da estrutura de um material e aprendizado de máquina aplicado para classificar os resultados. Isso, disse o MIT, reduziu o tempo necessário de 3-5 horas para pouco mais de cinco minutos, mantendo 90% de precisão.
No documento Accelerated Development de Perovsite Inspired-Materials via High Throughput Synthesis e Machine Learning Diagnosis - publicado na revista Joule - a equipe descreveu a aplicação do processo a 75 formulações, levando à descoberta de duas novas perovskitas sem chumbo, dignas de mais investigação. como potenciais materiais de células solares.
Agora, os pesquisadores planejam usar mais a automação para continuar aumentando a velocidade de processamento para classificar novos materiais. Buonassisi diz que outra das metas de sua equipe é gerar preços de energia solar economicamente sustentáveis abaixo de US $ 0,02 / kWh. "Tudo o que você precisa fazer é produzir um material", diz ele. "Estamos colocando todas as peças experimentais no lugar para que possamos explorar mais rapidamente."
Nenhum comentário:
Postar um comentário