AI-gestuurde optimalisatie van waterstofopslag in poreuze koolstofadsorbenten

Waarom betere waterstofopslag ertoe doet

Waterstof wordt vaak gepresenteerd als een schone brandstof voor auto’s, vrachtwagens en bussen, omdat bij gebruik voornamelijk water ontstaat in plaats van broeikasgassen. Het knelpunt is dat het veilig en goedkoop opslaan van voldoende waterstof in een voertuig erg moeilijk is. Deze studie onderzoekt hoe kunstmatige intelligentie wetenschappers kan helpen bij het ontwerpen van betere sponsachtige koolstofmaterialen die meer waterstof vasthouden, waardoor waterstofvoortstuwing praktischer zou kunnen worden.

Hoe koolstofsponzen waterstof vasthouden

De materialen die centraal staan zijn sterk poreuze koolstoffen die zich gedragen als vaste sponzen. In plaats van water op te nemen, trekken ze waterstofmoleculen aan op hun interne oppervlakken. Hoe groter het interne oppervlak van deze koolstoffen is en hoe meer hun poriegrootte op waterstof is afgestemd, hoe meer brandstof ze kunnen opslaan. Traditionele benaderingen berusten op proef en fout: verander de manier waarop de koolstof wordt gemaakt, meet de waterstofopname bij bepaalde drukken en temperaturen, en herhaal. Dat proces is traag, duur en beperkt door het aantal monsters dat onderzoekers kunnen testen.

Computers leren van eerdere experimenten

Om het proces te versnellen verzamelden de auteurs 917 gegevenspunten uit vele eerdere studies over waterstofopslag in poreuze koolstoffen. Elke invoer koppelde hoe een koolstof was gemaakt en hoe de structuur eruitzag aan hoeveel waterstof het opsloeg onder gegeven omstandigheden. Ze trainden twee machinaal-lerenmodellen op deze verzameling, één gebaseerd op beslissingsbomen en één geïnspireerd door netwerken voor beeldherkenning. Hoewel de gegevens slechts cijfers waren, leerde het neurale netwerk de patronen goed en voorspelde de waterstofopslag met hoge nauwkeurigheid toen het getest werd op niet eerder geziene gegevens binnen hetzelfde bereik van drukken, temperaturen en materiaaleigenschappen.

AI laten zoeken naar betere ontwerpen

Zodra het neurale netwerk betrouwbaar de waterstofopname kon voorspellen, koppelde het team het aan een geautomatiseerde optimalisatietool. In plaats van alleen te vragen: “Hoeveel waterstof zal dit materiaal opslaan?”, keerden ze de vraag om en vroegen: “Welke combinatie van materiaaleigenschappen en bedrijfscondities zou de beste opslag opleveren?”. De software varieerde factoren zoals oppervlak, het volume van heel kleine poriën en gasdruk terwijl het ook een algemene maat voor poriegrootte bijhield. Het zocht naar evenwichtige keuzes die zowel de opgeslagen waterstof verhogen als poriën klein genoeg houden om realistisch te zijn voor koolstofmaterialen.

Prestaties balanceren met fysieke realiteit

De optimalisatie leverde een reeks “net goed” afwegingen op, bekend als een Pareto-front, waarbij verdere verbetering van waterstofopslag ten koste zou gaan van poriebeheersing, en omgekeerd. Sommige van de hoogst voorspelde opslagwaarden vereisten dat oppervlak en poriegroottes verder werden doorgetrokken dan wat in het lab daadwerkelijk is gemaakt, dus beschouwden de auteurs deze als theoretische bovengrenzen in plaats van garanties. Toen ze de zoekruimte beperkten tot meer realistische oppervlaktes en een gebruikelijke testtemperatuur voor waterstofopslag, kwamen de best voorspelde ontwerpen overeen met wat uit experimenten bekend is, maar wezen ook op ambitieuze doch plausibele doelen voor toekomstige materialen. Dit toont aan dat AI nieuwe recepten kan voorstellen die het waard zijn om uit te proberen, en niet alleen oude data kan verklaren.

Wat dit betekent voor schone energie

Voor een lezer zonder technische achtergrond is de belangrijkste boodschap dat computers nu kunnen helpen bij het ontwerpen van betere vaste “tanks” voor waterstof door te leren van verspreide resultaten uit veel studies. De hier gebruikte aanpak combineert voorspelling en slim zoeken om koolstofstructuren te benadrukken die meer waterstof zouden moeten opslaan zonder blind te gokken. Hoewel de meest extreme voorspellingen nog in het laboratorium geverifieerd moeten worden, biedt het werk een routekaart om proef-en-fout te verminderen en kan het ingenieurs dichter brengen bij waterstofopslagsystemen die veilig en efficiënt in toekomstige voertuigen passen.

Bronvermelding: 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

Trefwoorden: waterstofopslag, poreuze koolstof, machinaal leren, energ materiaalen, gasadsorptie