蓋世汽車訊 據(jù)外媒報道，桑迪亞國家實驗室（Sandia National Laboratories）的研究人員和國際伙伴采用包括可解釋的機器學習模型在內的計算方法，開發(fā)出新型高熵合金，不僅具有較好儲氫性能，且可直接在實驗室合成和驗證。

針對特定用例優(yōu)化的固態(tài)儲氫材料可能是氫經濟轉型的關鍵促進因素。然而，這么多年來，開發(fā)新型氫化材料一直是由化學直覺或實驗試錯驅動的手動過程。數(shù)據(jù)驅動材料的發(fā)現(xiàn)范式提供了傳統(tǒng)方法的替代方案，其中機器/統(tǒng)計學習（ML）模型用于有效篩選材料以獲得所需特性，并顯著縮小昂貴/耗時的第一性原理建模和實驗驗證的范圍。

（圖片來源：桑迪亞國家實驗室）

桑迪亞團隊成員有Vitalie Stavila、Mark Allendorf、Matthew Witma和Sapan Agarwal。Witman表示：“我們特別關注一類相對較新的儲氫材料，即高熵合金（HEA）氫化物，其巨大的組合成分空間和局部結構無序需要一種不依賴于精確晶體結構的數(shù)據(jù)驅動方法來進行性能預測。我們的ML模型可快速篩選大型HEA空間內的氫化物穩(wěn)定性，并允許根據(jù)目標熱力學特性和次要標準（例如合金相穩(wěn)定性和密度）進行選擇以進行實驗室驗證?！?/p>

他還稱：“人們已經對儲氫研究，以及氫與不同材料相互作用的熱力學值數(shù)據(jù)庫進行了大量研究。憑借現(xiàn)有的數(shù)據(jù)庫、各種機器學習和其他計算工具以及最先進的實驗能力，我們組建了一個國際合作小組，共同開展這項工作。我們證明，機器學習技術確實可以模擬氫與金屬相互作用時發(fā)生的復雜物理和化學現(xiàn)象。”

通過數(shù)據(jù)驅動的建模來預測熱力學特性可以迅速提高研究速度。這種機器學習模型成功構建和訓練后，只需幾秒鐘即可執(zhí)行，因此可以快速篩選新的化學空間：在這種情況下，有600種材料顯示出氫儲存和傳輸?shù)目赡堋?/p>

Mark Allendorf稱：“僅需18個月，該項目就可以完成。而如果沒有機器學習，它可能需要幾年時間。之前，將材料從實驗室發(fā)現(xiàn)到實現(xiàn)商業(yè)化大約需20年的時間時，因此這一發(fā)現(xiàn)非常重要?！?/p>

Stavila稱該團隊還發(fā)現(xiàn)，這些高熵合金氫化物可以在氫通過不同材料時實現(xiàn)自然級聯(lián)壓縮。而傳統(tǒng)上壓縮氫氣是通過機械過程完成的。這一發(fā)現(xiàn)可能對氫燃料電池加氣站的小規(guī)模制氫產生重大影響。

在海平面大氣條件下產生的氫氣的壓力約為1巴。燃料電池充電站的氫氣必須具有800巴或更高的壓力，以便可以將其作為700巴的氫氣分配到燃料電池氫汽車中。

Stavila對一個采用多層不同合金的儲罐進行了描述。當氫氣被泵入罐中時，第一層會在氣體通過材料時對其進行壓縮。第二層通過不同合金的所有層進一步壓縮氣體，依此類推。

Vitalie Stavila表示：“當氫氣通過這些金屬層時，它會在沒有機械作用的情況下逐漸增壓。理論上，您可以泵入1巴的氫氣并排出800巴，而這也是氫氣充電站所需的壓力。”Agarwal稱，該團隊仍在完善模型，但由于該數(shù)據(jù)庫已經通過能源部公開，一旦獲得更好的理解，機器學習可能幫助材料科學等眾多領域取得突破。

返回第一電動網首頁 >