التحسين المدفوع بالذكاء الاصطناعي لتخزين الهيدروجين في مواد الكربون المسامية

لماذا يهم تحسين تخزين الهيدروجين

غالبًا ما يُروَّج للهيدروجين كوقود نظيف للسيارات والشاحنات والحافلات، لأنه عند استخدامه ينتج في الغالب ماء بدلًا من غازات الاحتباس الحراري. لكن المشكلة أن تخزين كمية كافية من الهيدروجين في مركبة بشكل آمن وبأقل تكلفة أمر بالغ الصعوبة. تستكشف هذه الدراسة كيف يمكن للذكاء الاصطناعي أن يساعد العلماء على تصميم مواد كربونية إسفنجية أفضل تحتفظ بمزيد من الهيدروجين، مما قد يجعل النقل المعتمد على الهيدروجين أكثر عملية.

كيف تحتفظ إسفنجات الكربون بالهيدروجين

المواد قيد التركيز هي كربونات شديدة المسامية تتصرف كإسفنجات صلبة. بدلاً من امتصاص الماء، تجذب هذه المواد جزيئات الهيدروجين على أسطحها الداخلية. كلما زادت المساحة السطحية الداخلية لهذه الكربونات وزادت دقة ضبط أحجام مسامها بالنسبة للهيدروجين، زادت كمية الوقود التي يمكنها تخزينها. تعتمد الطرق التقليدية على التجريب والخطأ: تغيير طريقة تصنيع الكربون، قياس امتصاص الهيدروجين عند ضغوط ودرجات حرارة معينة، ثم التكرار. هذه العملية بطيئة ومكلفة ومقيدة بعدد العينات التي يمكن للباحثين اختبارها.

تعليم الحواسيب من تجارب سابقة

لتسريع العملية، جمع المؤلفون 917 نقطة بيانات من دراسات سابقة حول تخزين الهيدروجين في الكربونات المسامية. ربطت كل مدخلة بين طريقة صنع الكربون وشكله البنيوي وكمية الهيدروجين المخزنة تحت شروط معينة. دربوا نموذجين للتعلم الآلي على هذه المجموعة، واحد قائم على أشجار القرار وآخر مستوحى من شبكات التعرف على الصور. على الرغم من أن البيانات كانت أرقامًا فحسب، تعلمت الشبكة العصبية الأنماط جيدًا، وتوقعت تخزين الهيدروجين بدقة عالية عند اختبارها على مدخلات غير مرئية ضمن نفس نطاق الضغوط ودرجات الحرارة وخصائص المواد.

إتاحة المجال للذكاء الاصطناعي للبحث عن تصميمات أفضل

بعد أن تمكنت الشبكة العصبية من التنبؤ الموثوق بسعة الهيدروجين، ربط الفريق النموذج بأداة تحسين آلية. وبدلًا من السؤال فقط «كم سيخزن هذا المادة؟»، عكسوا السؤال إلى «أي تركيبة من خصائص المادة وظروف التشغيل يجب أن تعطي أفضل تخزين؟». قام البرنامج بتغيير عوامل مثل المساحة السطحية، أحجام المسام الدقيقة، وضغط الغاز، بينما تتبّع أيضًا مقياسًا إجماليًا لحجم المسام. بحث عن اختيارات متوازنة من شأنها زيادة كمية الهيدروجين المخزنة مع الحفاظ على مسامات صغيرة بما يكفي لتكون واقعية لمواد الكربون.

موازنة الأداء مع الواقعية الفيزيائية

أنتج التحسين مجموعة من المساومات «المناسبة تمامًا»، المعروفة باسم جبهة باريتو، حيث إن تحسين تخزين الهيدروجين أكثر سيتطلب التضحية بضبط المسامات، والعكس صحيح. بعض أعلى القيم المتوقعة تطلبت دفع المساحة السطحية وحجم المسام إلى ما هو أبعد مما تم تصنيعه فعليًا في المختبر، لذا عامل المؤلفون هذه النتائج كحدود نظرية عُليا بدلاً من وعود. عندما قيدوا البحث إلى مساحات سطحية أكثر واقعية ودرجة حرارة اختبار شائعة لتخزين الهيدروجين، توافقت التصاميم الأفضل المتوقعة مع ما هو معروف من التجارب، ولكنها أشارت أيضًا إلى أهداف طموحة ومعقولة لمواد مستقبلية. هذا يوضح أن الذكاء الاصطناعي يمكنه اقتراح وصفات جديدة تستحق التجربة، وليس مجرد تفسير بيانات قديمة.

ماذا يعني ذلك للطاقة النظيفة

للقارئ العام، الرسالة الرئيسية هي أن الحواسيب باتت قادرة الآن على المساعدة في تصميم «خزانات» صلبة أفضل للهيدروجين من خلال التعلم من نتائج متفرقة عبر دراسات عديدة. يجمع النهج المستخدم هنا بين التنبؤ والبحث الذكي لتسليط الضوء على هياكل كربونية ينبغي أن تخزن المزيد من الهيدروجين دون تخمين أعمى. بينما لا تزال أقصى التنبؤات بحاجة إلى تحقق مخبري، يوفر العمل خارطة طريق لتقليل التجريب والخطأ وقد يساعد المهندسين على الاقتراب من أنظمة تخزين هيدروجين تناسب المركبات المستقبلية بأمان وكفاءة.

الاستشهاد: Rocha, H.R.O., Romanos, J., Abou Dargham, S. et al. AI-driven optimization of hydrogen storage in porous carbon adsorbents. Sci Rep 16, 15143 (2026). https://doi.org/10.1038/s41598-026-45915-1

الكلمات المفتاحية: تخزين الهيدروجين, الكربون المسامي, التعلم الآلي, مواد الطاقة, امتصاص الغازات