Оптимизация хранения водорода в пористых углеродных адсорбентах с помощью ИИ

Почему важно улучшать хранение водорода

Водород часто позиционируют как чистое топливо для автомобилей, грузовиков и автобусов, потому что при его использовании в основном образуется вода, а не парниковые газы. Загвоздка в том, что безопасно и недорого хранить в автомобиле достаточное количество водорода очень трудно. В этом исследовании рассматривается, как искусственный интеллект может помочь учёным проектировать более совершенные губкообразные углеродные материалы, которые удерживают больше водорода, что потенциально делает транспорт на водороде более практичным.

Как углеродные «губки» удерживают водород

В центре внимания — высокопористые углероды, которые ведут себя как твёрдые губки. Вместо воды они притягивают молекулы водорода на свои внутренние поверхности. Чем больше внутренняя поверхность у этих углеродов и чем точнее размеры их пор настроены на водород, тем больше топлива они могут хранить. Традиционные подходы опираются на метод проб и ошибок: изменить способ получения углерода, измерить поглощение водорода при заданных давлении и температуре, и повторять. Этот процесс медленный, дорогой и ограничен числом образцов, которые исследователи могут протестировать.

Обучение компьютеров на прошлых экспериментах

Чтобы ускорить процесс, авторы собрали 917 точек данных из множества предыдущих работ по хранению водорода в пористых углеродах. Каждая запись связывала, как был получен углерод и как выглядела его структура, с тем, сколько водорода он удерживал при заданных условиях. Они обучили две модели машинного обучения на этой коллекции: одну на основе решающих деревьев и другую, вдохновлённую сетями для распознавания изображений. Хотя данные были представлены в виде чисел, нейронная сеть хорошо уловила закономерности и с высокой точностью предсказывала хранение водорода при тестировании на невидимых записях из того же диапазона давлений, температур и свойств материалов.

Предоставив ИИ возможность искать лучшие конструкции

Когда нейронная сеть начала надёжно предсказывать поглощение водорода, команда связала её с автоматизированным оптимизационным инструментом. Вместо того чтобы лишь спрашивать «Сколько водорода сохранит этот материал?», они развернули вопрос: «Какая комбинация свойств материала и условий эксплуатации должна дать наилучшее хранение?». Программа варьировала такие параметры, как площадь поверхности, объемы мелких пор и давление газа, одновременно отслеживая общее значение размера пор. Она искала сбалансированные варианты, которые увеличивали бы запас водорода и при этом сохраняли бы поры достаточно малыми, чтобы быть реалистичными для углеродных материалов.

Баланс между эффективностью и физической реалистичностью

Оптимизация дала набор «вполне разумных» компромиссов, известных как фронт Парето, где дальнейшее улучшение хранения водорода потребовало бы жертвовать контролем размеров пор, и наоборот. Некоторые из наивысших предсказанных значений хранения требовали поднять площадь поверхности и размеры пор за пределы уже достигнутых в лаборатории, поэтому авторы рассматривали их как теоретические верхние границы, а не как гарантии. Когда поиск ограничили более реалистичными площадями поверхности и распространённой тестовой температурой для хранения водорода, предсказанные лучшие конструкции согласовались с известными экспериментальными результатами, но также указали на смелые, но правдоподобные цели для будущих материалов. Это показывает, что ИИ может предлагать новые рецептуры, стоящие проверки, а не только объяснять старые данные.

Что это значит для чистой энергетики

Для непрофессионального читателя главный вывод в том, что компьютеры теперь могут помогать проектировать лучшие твёрдые «ёмкости» для водорода, обучаясь на разрозненных результатах множества исследований. Подход, использованный здесь, сочетает прогнозирование и умный поиск, чтобы выделять углеродные структуры, которые должны хранить больше водорода, не действуя вслепую. Хотя самые экстремальные предсказания всё ещё требуют лабораторной проверки, работа даёт дорожную карту для сокращения проб и ошибок и может помочь инженерам приблизиться к системам хранения водорода, которые будут безопасно и эффективно вписываться в будущие транспортные средства.

Цитирование: 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

Ключевые слова: хранение водорода, пористый углерод, машинное обучение, энергетические материалы, газовая адсорбция