Optimización impulsada por IA del almacenamiento de hidrógeno en adsorbentes de carbono poroso

Por qué importa mejorar el almacenamiento de hidrógeno

El hidrógeno se presenta a menudo como un combustible limpio para coches, camiones y autobuses, porque al utilizarse produce principalmente agua en lugar de gases de efecto invernadero. El problema es que almacenar suficiente hidrógeno de forma segura y económica en un vehículo resulta muy difícil. Este estudio explora cómo la inteligencia artificial puede ayudar a los científicos a diseñar mejores materiales tipo esponja de carbono que contengan más hidrógeno, lo que podría hacer el transporte propulsado por hidrógeno más práctico.

Cómo las esponjas de carbono retienen el hidrógeno

Los materiales en foco son carbones altamente porosos que se comportan como esponjas sólidas. En lugar de absorber agua, atraen moléculas de hidrógeno sobre sus superficies internas. Cuanta más área de superficie interna tengan estos carbones y más se ajusten sus tamaños de poro al hidrógeno, mayor combustible podrán almacenar. Los enfoques tradicionales se basan en prueba y error: cambiar la forma de fabricar el carbono, medir la captación de hidrógeno a ciertas presiones y temperaturas, y repetir. Este proceso es lento, caro y está limitado por el número de muestras que los investigadores pueden probar.

Enseñar a los ordenadores a partir de experimentos previos

Para acelerar el proceso, los autores recopilaron 917 puntos de datos de numerosos estudios anteriores sobre el almacenamiento de hidrógeno en carbones porosos. Cada entrada vinculaba cómo se fabricó un carbono y cómo era su estructura con la cantidad de hidrógeno que almacenaba en condiciones dadas. Entrenaron dos modelos de aprendizaje automático con esta colección, uno basado en árboles de decisión y otro inspirado en redes de reconocimiento de imágenes. Aunque los datos son solo números, la red neuronal aprendió patrones con eficacia, prediciendo el almacenamiento de hidrógeno con alta precisión cuando se probó en entradas no vistas dentro del mismo rango de presiones, temperaturas y propiedades del material.

Permitir que la IA busque diseños mejores

Una vez que la red neuronal pudo predecir de forma fiable la captación de hidrógeno, el equipo la acopló a una herramienta de optimización automatizada. En lugar de limitarse a preguntar «Dado este material, ¿cuánto hidrógeno almacenará?», invirtieron la cuestión y preguntaron: «¿Qué combinación de características del material y condiciones de operación debería ofrecer el mejor almacenamiento?». El software variedó factores como el área de superficie, los volúmenes de poros diminutos y la presión del gas, a la vez que monitorizaba una medida global del tamaño de poro. Buscó elecciones equilibradas que aumentaran el hidrógeno almacenado y mantuvieran los poros lo bastante pequeños como para ser realistas en materiales de carbono.

Equilibrar rendimiento con realismo físico

La optimización produjo un conjunto de compensaciones «justas», conocido como frente de Pareto, donde mejorar el almacenamiento de hidrógeno exigía sacrificar el control del poro, y viceversa. Algunos de los valores de almacenamiento más altos previstos requerían llevar el área de superficie y los tamaños de poro más allá de lo que se ha logrado en el laboratorio, por lo que los autores los trataron como límites teóricos superiores en lugar de promesas. Cuando restringieron la búsqueda a áreas de superficie más realistas y a una temperatura de prueba común para almacenamiento de hidrógeno, los diseños óptimos predichos coincidieron con lo conocido por experimentos, pero también señalaron objetivos ambiciosos pero plausibles para futuros materiales. Esto muestra que la IA puede sugerir nuevas recetas que valen la pena probar, no solo explicar datos antiguos.

Qué significa esto para la energía limpia

Para un lector no especializado, el mensaje principal es que los ordenadores pueden ahora ayudar a diseñar mejores «depósitos» sólidos para hidrógeno aprendiendo de resultados dispersos de muchos estudios. El enfoque usado aquí combina predicción y búsqueda inteligente para destacar estructuras de carbono que deberían almacenar más hidrógeno sin conjeturar a ciegas. Aunque las predicciones más extremas aún deben verificarse en el laboratorio, el trabajo proporciona una hoja de ruta para reducir el ensayo y error y podría ayudar a los ingenieros a acercarse a sistemas de almacenamiento de hidrógeno que encajen de forma segura y eficiente en vehículos futuros.

Cita: 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

Palabras clave: almacenamiento de hidrógeno, carbono poroso, aprendizaje automático, materiales energéticos, adsorción de gases