來自桑迪亞國家實驗室的材料科學家和計算機科學家團隊與一些國際研究人員合作，在一年多的時間里創(chuàng)造了12種新合金——并模擬了數(shù)百種合金。

該研究展示了機器學習如何通過簡單地為消費者創(chuàng)建氫基礎(chǔ)設(shè)施來幫助加速氫能的未來發(fā)展。

Mark Allendorf、Vitalie Stavila、Sapan Agarwal 和 Matthew Witman 是 Sandia 團隊的成員，他們與來自瑞典 ?ngstr?m 實驗室和英國諾丁漢大學的科學家一起撰寫了一篇論文，描述了這種新方法。

在儲氫研究和描述氫與不同材料相互作用的熱力學值數(shù)據(jù)庫方面有著豐富的歷史。憑借現(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，我們組建了國際合作團隊，共同開展這項工作。

Matthew Witman，桑迪亞國家實驗室

“我們證明機器學習技術(shù)確實可以模擬氫與金屬相互作用時發(fā)生的復雜現(xiàn)象的物理和化學，”Wittman 補充道。

用于估計熱力學特性的數(shù)據(jù)驅(qū)動建模功能可以快速提高研究速度。

在構(gòu)建和訓練此類機器學習模型時，它們可以在幾秒鐘內(nèi)執(zhí)行，因此可以快速篩選新的化學空間：在這項研究中，600 種材料具有儲存和運輸氫的潛力。

這僅在18個月內(nèi)完成，如果沒有機器學習，可能需要幾年時間，當您考慮到歷史上材料從實驗室發(fā)現(xiàn)到商業(yè)化需要大約20年的時間時，這是一個大問題。

Mark Allendorf，桑迪亞國家實驗室

改變氫能儲存的潛力

研究人員在他們的研究中還發(fā)現(xiàn)了一些其他的東西——這些結(jié)果對氫燃料電池加氣站的小規(guī)模制氫產(chǎn)生了重大影響。

“當氫氣通過不同材料時，這些高熵合金氫化物可以實現(xiàn)自然級聯(lián)壓縮，”斯塔維拉說，并補充說氫氣壓縮通常是通過機械過程完成的。

Stavila解釋了如何使用這些不同的合金層來建造儲罐，將氫氣泵入儲罐后，氣體在通過材料時被第一層壓縮。

它被第二層進一步壓縮，并被不同合金的所有層壓縮，這自然允許氫氣用于產(chǎn)生電力的電動機。

在海平面大氣條件下產(chǎn)生的氫氣壓力約為1巴——公制壓力單位。為了使用氫氣為燃料電池汽車或任何其他發(fā)動機提供動力，它應該被加壓或壓縮到相當高的壓力。

例如，燃料電池充電站的氫氣應具有800巴或更高的壓力，以便將其作為700巴的氫氣分配給燃料電池氫動力汽車。

隨著氫通過這些層，它在沒有機械作用的情況下變得越來越加壓。理論上，您可以泵送1巴的氫氣并排放800巴——氫氣充電站所需的壓力。

Vitalie Stavila，桑迪亞國家實驗室

研究人員一直在不斷改進模型。然而，由于該數(shù)據(jù)庫已通過能源部公開，一旦更好地理解該方法，機器學習的使用可能會促進材料科學等各個領(lǐng)域的重大進步，Agarwal 指出。

這項研究由美國能源部氫和燃料電池技術(shù)辦公室、能源效率和可再生能源辦公室以及桑迪亞實驗室指導的研究和開發(fā)計劃資助。