Elevated view of many multi colored batteries on a blue colored background (Javier Zayas Photography/Getty Images)
Laura Pancini
Publicado em 24 de fevereiro de 2021 às 10h08.
Um grupo de pesquisadores de três universidades dos Estados Unidos e um centro de pesquisa em Calcutá, na Índia, desenvolveu um novo condutor para baterias de íons de sódio em estado sólido, batizado de NYZC, que pode representar o futuro das baterias.
O eletrólito sólido se torna estável quando incorporado em cátodos de óxido de alta voltagem e pode ter mais eficiência e vida útil que outras baterias de mesma classe. Diferentemente do lítio necessário para outras baterias, que tem alto custo ambiental, o sódio é barato e abundante. Baterias feitas deste material, portanto, custariam menos e seriam mais duradouras e seguras.
"A indústria quer que baterias em nível de célula custem de 30 a 50 dólares por quilowatt-hora", disse a coautorado estudo, Shirley Meng. O preço dito por ela representa cerca de um terço a um quinto do custo atual. "Não vamos parar até chegarmos lá."
Para descobrir qual material seria o melhor candidato para uma bateria de estado sólido com um cátodo de óxido, a equipe executou uma série de simulações em computador para rastrear qual química teria a combinação certa. Eles descobriram que uma classe de condutores de haleto de sódio compostos de sódio, ítrio, zircônio e cloreto, posteriormente batizado de NYZC, era estável e compatível quimicamente com os cátodos de óxido usados nas baterias de íon de sódio de alta voltagem.
De acordo com o estudo, publicado na Nature Communications, uma bateria teste durou mais de 1000 ciclos, mantendo 89,3% de sua capacidade. O objetivo agora é construir baterias para aplicações de armazenamento de energia em redes de grande escala, com foco em fontes de energia renováveis.
"Essas descobertas destacam o imenso potencial dos condutores de íon haleto para aplicações de bateria de íon de sódio de estado sólido", disse coautor do estudo, Shyue Ping Ong. "Além disso, também destaca o impacto transformador que os cálculos de dados de materiais em grande escala, juntamente com o aprendizado de máquina, podem ter no processo de descoberta de materiais."