寫稿
投稿
據(jù)外媒報道，桑迪亞國家實驗室的研究人員和國際合作伙伴利用包括可解釋機器學習模型在內(nèi)的計算方法，開發(fā)出一種新型高熵合金，不僅具有更好的儲氫性能，而且可以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(jīng)濟轉(zhuǎn)型的關(guān)鍵因素。然而，多年來，新型氫化材料的開發(fā)一直是由化學直覺或?qū)嶒炘囧e驅(qū)動的手動過程。數(shù)據(jù)驅(qū)動的材料發(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的特性，并顯著減少昂貴/耗時的第一性原理建模和實驗的范圍。
桑迪亞團隊成員包括Vitalie Stavila、Mark Allendorf、Matthew Witma 和 Sapan Agarwal。 Witman說：“我們特別關(guān)注一種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(jié)構(gòu)無序需要一種不依賴于精確晶體結(jié)構(gòu)的數(shù)據(jù)驅(qū)動方法來進行性能預測。我們的ML模型可以在大HEA空間中快速篩選氫化物穩(wěn)定性，并允許根據(jù)目標熱力學性質(zhì)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?！?/span>
他還表示：“人們對儲氫研究，以及氫與不同材料相互作用的熱力學值數(shù)據(jù)庫做了大量研究。借助現(xiàn)有的數(shù)據(jù)庫、各種機器學習等計算工具，以及最先進的實驗能力，我們成立了一個國際合作團隊來共同開展這項工作，我們證明了機器學習技術(shù)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?！?/span>
通過數(shù)據(jù)驅(qū)動的建模預測熱力學特性可以快速提高研究速度，機器學習模型構(gòu)建和訓練成功后，只需幾秒鐘就可以執(zhí)行，因此可以快速篩選新的化學空間：在這種情況下，有600種材料顯示了儲氫的可能性。
馬克·艾倫多夫說：“這個項目只需要 18 個月就可以完成。如果沒有機器學習，可能需要幾年時間。以前，材料從實驗室被發(fā)現(xiàn)到商業(yè)化需要大約20年的時間，所以這個發(fā)現(xiàn)非常重要?！?/span>
斯塔維拉表示，該團隊還發(fā)現(xiàn)，當氫通過不同材料時，這些高熵合金氫化物可以實現(xiàn)自然級聯(lián)壓縮。傳統(tǒng)上，氫氣的壓縮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(chǎn)生重大影響。
在海平面大氣條件下產(chǎn)生的氫氣壓力約為1巴。燃料電池充電站的氫氣必須具有800巴或更高的壓力，才能以700巴的氫氣分配給燃料電池氫汽車。
Stavila描述了一個具有多層不同合金的儲罐。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說：“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加壓。理論上，你可以泵入1 bar的氫氣并排放800 bar，這也是氫氣充電站所需要的壓力“。Agarwal說，團隊該模型仍在改進中，但由于該數(shù)據(jù)庫已通過能源部公開，一旦獲得更好的理解，機器學習可能有助于在材料科學等許多領(lǐng)域取得突破。
往期精選回顧;
中國氫能聯(lián)盟發(fā)布《“可再生氫100”行動倡議》
