Versnellen van de ontdekking van MOF’s voor waterstofopslag via machine learning in energiegerelateerde toepassingen

Waarom dit belangrijk is voor schone energie

Waterstof wordt vaak geprezen als een schone brandstof van de toekomst, maar er is een hardnekkig praktisch probleem: het is zeer licht, waardoor het lastig is om voldoende waterstof veilig en compact in een tank voor auto’s, vrachtwagens of schepen te krijgen. Dit artikel laat zien hoe computergebaseerde methoden, met name machine learning, bijna honderdduizend geavanceerde poreuze materialen — metaal‑organische netwerken (MOF’s) — kunnen doorzoeken om die te vinden die waterstof dicht en efficiënt kunnen opslaan. Het werk wijst op snellere, goedkopere routes om de volgende generatie waterstoftanks te identificeren die de samenleving kunnen helpen los te komen van fossiele brandstoffen.

Op maat gemaakte sponsmateriaalen

MOF’s zijn kristallijne materialen die op moleculair niveau lijken op ingewikkelde steigers met een enorme interne oppervlaktes en veel lege ruimte. Deze kleine “sponzen” kunnen gasmoleculen zoals waterstof herhaaldelijk opnemen en afgeven. Door de metalen bouwstenen en organische schakels te variëren, kunnen onderzoekers de grootte, vorm en openheid van de poriën van MOF’s afstemmen. Eigenschappen zoals de hoeveelheid lege ruimte (void‑fracties), beschikbare inwendige volume (porievolume) en de blootgestelde oppervlakte voor gasmoleculen blijken belangrijker voor waterstofopslag dan het exacte chemische recept. De uitdaging is dat hoewel databases ruim 100.000 mogelijke MOF‑structuren bevatten, slechts een klein deel daadwerkelijk is gemaakt en in het laboratorium is getest, en dat gedetailleerde computersimulaties voor elke kandidaat erg duur zijn.

Computers de mogelijkheden laten verkennen

Om deze knelpunten aan te pakken combineren de auteurs hoognauwkeurige gasadsorptiesimulaties met machine learning. Ze beginnen met een bestaande database genaamd HyMARC, die 98.695 MOF’s van meerdere onderzoeksgroepen en universiteiten bevat. Voor elke MOF gebruiken ze gevestigde simulatiehulpmiddelen om te berekenen hoeveel waterstof deze kan vasthouden en vervolgens afgeven onder een realistische "temperatuur‑druk swing"‑cyclus: het materiaal wordt gevuld met waterstof bij zeer lage temperatuur en hoge druk, en vervolgens opgewarmd en gedecomprimeerd om het gas vrij te geven. Uit elke kristalstructuur halen ze slechts zeven geometrische beschrijvende grootheden, waaronder dichtheid, porievolume, verschillende maatstaven voor oppervlaktes en twee karakteristieke poriediameters. Deze eenvoudige cijfers vangen hoeveel ruimte en oppervlak de waterstofmoleculen binnen elke MOF kunnen verkennen.

Neurale netwerken leren opslagcapaciteit inschatten

Het team traint vervolgens twee typen neurale netwerken — feedforward‑ en patroonherkenningsmodellen — om de relatie te leren tussen die zeven structurele descriptors en twee belangrijke uitkomsten: hoeveel waterstof opgeslagen wordt naar gewicht (gravimetrische capaciteit) en naar volume (volumetrische capaciteit). Een door de natuurkunde geïnspireerde optimalisatiemethode, de Equilibrium Optimizer, past automatisch de grootte en opzet van elk netwerk aan om de voorspellingsfouten te minimaliseren. Na training op het grootste deel van de database en het reserveren van een deel voor testen, reproduceren de modellen de simulatieresultaten met opvallende nauwkeurigheid, vooral voor opslag per gewicht. De analyse bevestigt ook fysisch zinnige trends: MOF’s met groter porievolume en hogere void‑fracties slaan over het algemeen meer waterstof op per gewicht, terwijl volumetrische opslag wordt gemaximaliseerd bij een tussenliggende dichtheid waar porositeit en dicht opeen pakken goed in balans zijn.

Uitspringende materialen vinden in een druk veld

Gewapend met deze getrainde netwerken scannen de onderzoekers snel alle 98.695 MOF’s om veelbelovende kandidaten te markeren en controleren vervolgens de besten met volledige simulaties. Ze gebruiken een bekende MOF, MOF‑5, als referentiepunt en passen bovendien ambitieuze doelen van het Amerikaanse Department of Energy voor waterstofopslag toe. Hun screening levert 1.289 MOF’s op die gelijktijdig aan deze doelen voldoen of ze overtreffen, en binnen die groep zijn er 12 structuren die MOF‑5 overtreffen in zowel gewicht‑ als volumegerelateerde prestaties. Veel van deze toppers delen soortgelijke eigenschappen — matige dichtheid, substantiële maar niet extreme oppervlakte, en veel interne lege ruimte — en verschillende komen uit een hypothetische database samengesteld door Northwestern University, wat de waarde onderstreept van het verkennen van nog niet gesynthetiseerde ontwerpen.

Wat dit betekent voor toekomstige waterstoftanks

In eenvoudige bewoordingen toont deze studie aan dat een kleine set gemakkelijk te berekenen structurele kenmerken, gecombineerd met goed ontworpen neurale netwerken, kan dienen als vervanging voor veel tijdrovendere simulaties bij het zoeken naar materialen voor waterstofopslag. De aanpak kan nog niet garanderen dat elke voorgestelde MOF eenvoudig te maken of mechanisch stabiel is, maar het verkleint de zoekruimte aanzienlijk tot een beheersbare shortlist voor chemici om te testen. Door te laten zien welke geometrische eigenschappen het meest van belang zijn en door specifieke kandidaten met hoge capaciteit te benadrukken, brengt dit werk praktische, compacte waterstoftanks een stap dichterbij en illustreert het hoe datagedreven hulpmiddelen de ontdekking van materialen voor een schoner energiesysteem kunnen versnellen.

Bronvermelding: Khairandesh, S., Lotfi, M., Larimi, A. et al. Accelerating discovery of MOFs for hydrogen storage via machine learning in energy related applications. Sci Rep 16, 14114 (2026). https://doi.org/10.1038/s41598-026-44340-8

Trefwoorden: waterstofopslag, metaal‑organische netwerken, machine learning, poröse materialen, ontdekking van energiematerialen