Optymalizacja magazynowania wodoru w porowatych adsorbentach węglowych sterowana przez SI

Dlaczego lepsze magazynowanie wodoru ma znaczenie

Wodór jest często promowany jako czyste paliwo dla samochodów, ciężarówek i autobusów, ponieważ podczas spalania produkuje głównie wodę zamiast gazów cieplarnianych. Problem polega na tym, że bezpieczne i tanie przechowywanie wystarczającej ilości wodoru w pojeździe jest bardzo trudne. W niniejszym badaniu analizowano, jak sztuczna inteligencja może pomóc naukowcom zaprojektować lepsze porowate materiały węglowe przypominające gąbki, które przechowują więcej wodoru, co potencjalnie może uczynić transport wodorowy bardziej praktycznym.

Jak gąbki węglowe przechowują wodór

Przedmiotem zainteresowania są wysoce porowate formy węgla, które zachowują się jak stałe gąbki. Zamiast wchłaniać wodę, przyciągają cząsteczki wodoru na swoje wewnętrzne powierzchnie. Im więcej powierzchni wewnętrznej mają te węgle i im lepiej ich rozmiary porów są dopasowane do wodoru, tym więcej paliwa mogą przechować. Tradycyjne metody opierają się na metodzie prób i błędów: zmienia się sposób wytwarzania węgla, mierzy pobór wodoru przy określonych ciśnieniach i temperaturach, i powtarza. Ten proces jest powolny, kosztowny i ograniczony liczbą próbek, które badacze mogą przetestować.

Uczenie komputerów na podstawie wcześniejszych eksperymentów

Aby przyspieszyć pracę, autorzy zgromadzili 917 punktów danych z wielu wcześniejszych badań nad magazynowaniem wodoru w porowatych węglach. Każdy wpis łączył sposób wytworzenia węgla i wygląd jego struktury z ilością wodoru przechowanego w danych warunkach. Przeszkolili dwa modele uczenia maszynowego na tym zbiorze, jeden oparty na drzewach decyzyjnych, a drugi inspirowany sieciami rozpoznawania obrazów. Chociaż dane były tylko liczbami, sieć neuronowa nauczyła się wzorców, przewidując magazynowanie wodoru z dużą dokładnością podczas testów na niewidzianych wcześniej wpisach z tego samego zakresu ciśnień, temperatur i właściwości materiałów.

Pozwalając SI poszukiwać lepszych projektów

Gdy sieć neuronowa mogła wiarygodnie przewidywać pobór wodoru, zespół połączył ją z automatycznym narzędziem optymalizacyjnym. Zamiast tylko pytać „Ile wodoru przechowa ten materiał?”, odwrócili problem i pytali: „Która kombinacja cech materiału i warunków eksploatacji da najlepsze magazynowanie?”. Oprogramowanie zmieniało czynniki takie jak powierzchnia właściwa, objętości drobnych porów oraz ciśnienie gazu, jednocześnie śledząc ogólną miarę rozmiaru porów. Szukało zrównoważonych wyborów, które zarówno zwiększą przechowywany wodór, jak i utrzymają pory dostatecznie małe, by były realistyczne dla materiałów węglowych.

Równoważenie wydajności z realnością fizyczną

Optymalizacja wygenerowała zestaw „właściwych” kompromisów, znany jako front Pareto, gdzie dalsze zwiększanie magazynowania wodoru wymagałoby poświęcenia kontroli nad porami i odwrotnie. Niektóre z najwyższych przewidywanych wartości magazynowania wymagały zwiększenia powierzchni właściwej i rozmiarów porów poza tym, co dotąd udało się wytworzyć w laboratorium, dlatego autorzy potraktowali je jako teoretyczne górne granice, a nie obietnice. Gdy ograniczyli poszukiwania do bardziej realistycznych powierzchni właściwych i powszechnie stosowanej temperatury testowej dla magazynowania wodoru, przewidywane najlepsze projekty pokrywały się z tym, co wiadomo z eksperymentów, ale też wskazywały ambitne, lecz możliwe do osiągnięcia cele dla przyszłych materiałów. Pokazuje to, że SI może sugerować nowe przepisy warte wypróbowania, a nie tylko wyjaśniać stare dane.

Co to oznacza dla czystej energii

Dla czytelnika niebędącego specjalistą główne przesłanie jest takie, że komputery mogą teraz pomagać projektować lepsze stałe „zbiorniki” na wodór, ucząc się z rozproszonych wyników wielu badań. Podejście zastosowane tutaj łączy przewidywanie i inteligentne przeszukiwanie, aby wskazać struktury węglowe, które powinny przechowywać więcej wodoru bez ślepego zgadywania. Chociaż najbardziej ekstremalne przewidywania nadal muszą zostać zweryfikowane w laboratorium, praca ta dostarcza drogowskazu do ograniczenia prób i błędów i może pomóc inżynierom zbliżyć się do systemów magazynowania wodoru, które będą bezpiecznie i wydajnie mieścić się w przyszłych pojazdach.

Cytowanie: 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

Słowa kluczowe: magazynowanie wodoru, porowaty węgiel, uczenie maszynowe, materiały energetyczne, adsorpcja gazu