Ottimizzazione guidata dall'IA dell'immagazzinamento di idrogeno in adsorbenti di carbonio poroso

Perché è importante migliorare lo stoccaggio dell'idrogeno

L'idrogeno è spesso promosso come un combustibile pulito per automobili, camion e autobus, perché quando viene utilizzato produce principalmente acqua invece di gas serra. Il problema è che immagazzinare abbastanza idrogeno in modo sicuro ed economico a bordo di un veicolo è molto difficile. Questo studio esplora come l'intelligenza artificiale possa aiutare gli scienziati a progettare materiali simili a spugne di carbonio che trattengono più idrogeno, potenzialmente rendendo il trasporto a idrogeno più pratico.

Come le spugne di carbonio trattengono l'idrogeno

I materiali in esame sono carboni altamente porosi che si comportano come spugne solide. Invece di assorbire acqua, attirano molecole di idrogeno sulle loro superfici interne. Più area superficiale interna hanno questi carboni e più le dimensioni dei pori sono tarate sull'idrogeno, maggiore è il combustibile che possono immagazzinare. Gli approcci tradizionali si basano sul metodo del tentativo e errore: cambiare il modo in cui si produce il carbonio, misurare l'assorbimento di idrogeno a determinate pressioni e temperature, e ripetere. Questo processo è lento, costoso e limitato dal numero di campioni che i ricercatori possono testare.

Insegnare ai computer partendo da esperimenti passati

Per accelerare il processo, gli autori hanno raccolto 917 punti dati da molti studi precedenti sullo stoccaggio di idrogeno in carboni porosi. Ogni voce collegava come era stato prodotto un carbonio e quale fosse la sua struttura con la quantità di idrogeno immagazzinata in determinate condizioni. Hanno addestrato due modelli di apprendimento automatico su questa raccolta, uno basato su alberi decisionali e uno ispirato alle reti per il riconoscimento delle immagini. Anche se i dati sono solo numeri, la rete neurale ha appreso bene i modelli, prevedendo l'immagazzinamento di idrogeno con alta accuratezza quando testata su voci non viste appartenenti allo stesso intervallo di pressioni, temperature e proprietà dei materiali.

Lasciare che l'IA cerchi progetti migliori

Una volta che la rete neurale è stata in grado di prevedere in modo affidabile l'assorbimento di idrogeno, il team l'ha collegata a uno strumento di ottimizzazione automatizzato. Invece di chiedere solo: «Dato questo materiale, quanta idrogeno immagazzinerà?», hanno invertito la domanda e chiesto: «Quale combinazione di caratteristiche del materiale e condizioni operative dovrebbe dare il miglior stoccaggio?». Il software ha variato fattori come area superficiale, piccoli volumi di pori e pressione del gas mentre monitorava anche una misura complessiva delle dimensioni dei pori. Ha cercato scelte bilanciate che aumentassero l'idrogeno immagazzinato mantenendo i pori sufficientemente piccoli da essere realistici per i materiali di carbonio.

Bilanciare prestazioni e realismo fisico

L'ottimizzazione ha prodotto una serie di compromessi «giusti», noti come fronte di Pareto, in cui migliorare ulteriormente lo stoccaggio dell'idrogeno richiederebbe di sacrificare il controllo delle dimensioni dei pori, e viceversa. Alcuni dei valori di stoccaggio più elevati previsti richiedevano di spingere l'area superficiale e le dimensioni dei pori oltre ciò che è stato effettivamente prodotto in laboratorio, quindi gli autori li hanno trattati come limiti teorici piuttosto che promesse. Quando hanno limitato la ricerca ad aree superficiali più realistiche e a una temperatura di prova comune per lo stoccaggio dell'idrogeno, i progetti migliori previsti coincidevano con quanto noto dagli esperimenti, ma indicavano anche obiettivi ambiziosi ma plausibili per materiali futuri. Questo dimostra che l'IA può suggerire nuove ricette da provare, non solo spiegare dati esistenti.

Cosa significa per l'energia pulita

Per un lettore non specialistico, il messaggio principale è che i computer possono ora aiutare a progettare migliori «serbatoi» solidi per l'idrogeno imparando da risultati sparsi in molti studi. L'approccio qui utilizzato combina predizione e ricerca intelligente per mettere in evidenza strutture di carbonio che dovrebbero immagazzinare più idrogeno senza procedere per tentativi casuali. Sebbene le previsioni più estreme debbano ancora essere verificate in laboratorio, il lavoro fornisce una tabella di marcia per ridurre il metodo del tentativo e errore e potrebbe aiutare gli ingegneri ad avvicinarsi a sistemi di stoccaggio dell'idrogeno che si adattino in modo sicuro ed efficiente ai veicoli del futuro.

Citazione: 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

Parole chiave: stoccaggio dell'idrogeno, carbonio poroso, apprendimento automatico, materiali energetici, adsorbimento di gas