机器学习驱动的储氢材料搜索
材料科学
2025-03-07 v1 机器学习
摘要
向低碳经济的转型要求高效且可持续的能源存储方案，氢作为一种有前景的清洁能源载体，以及金属氢化物因其储氢能力而受到认可。在此，我们利用机器学习（ML）来预测氢-金属（H/M）比和溶解能，通过将热力学参数和局域晶格畸变（LLD）作为关键特征纳入考虑。我们表现最佳的 ML 模型在广泛的合金类别（如 Ti-Nb-X（X = Mo, Cr, Hf, Ta, V, Zr）和 Co-Ni-X（X = Al, Mg, V））上对 H/M 比和溶解能均有改进，且易于扩展至多主元合金。Ti-Nb-Mo 合金揭示了储氢行为中的成分效应，特别是 Ti、Nb 和 V 增强了储氢容量，而 Mo 将 H/M 比和氢重量百分比降低了 40-50%。我们将此归因于富钼合金中缓慢的氢动力学，这通过我们对纯 Ti 和 Ti5Mo95 合金的压力-组成等温线（PCT）实验得到了验证。密度泛函理论（DFT）和分子模拟也证实 Ti 和 Nb 促进氢扩散，而 Mo 阻碍氢扩散，凸显了电子结构、晶格畸变和氢吸附之间的相互作用。值得注意的是，我们的梯度提升回归（Gradient Boosting Regression）模型将 LLD 识别为 H/M 预测中的关键因素。为辅助材料选择，我们展示了两个元素周期表，分别说明元素对（a）H2 wt% 和（b）溶解能的影响，这些结果来自 ML 分析，并提供了一个用于识别能增强氢溶解度和存储的合金元素的参考。
引用
@article{arxiv.2503.04027,
title = {Machine learning driven search of hydrogen storage materials},
author = {Tanumoy Banerjee and Kevin Ji and Weiyi Xia and Gaoyuan Ouyang and Tyler Del Rose and Ihor Z. Hlova and Benjamin Ueland and Duane D. Johnson and Cai-Zhuan Wang and Ganesh Balasubramanian and Prashant Singh},
journal= {arXiv preprint arXiv:2503.04027},
year = {2025}
}
备注
34 pages, 12 figures, 87 references