来自桑迪亚国家实验室的材料科学家和计算机科学家团队与一些国际研究人员合作，在一年多的时间里创造了12种新合金——并模拟了数百种合金。

该研究展示了机器学习如何通过简单地为消费者创建氢基础设施来帮助加速氢能的未来发展。

Mark Allendorf、Vitalie Stavila、Sapan Agarwal 和 Matthew Witman 是 Sandia 团队的成员，他们与来自瑞典 Ångström 实验室和英国诺丁汉大学的科学家一起撰写了一篇论文，描述了这种新方法。

在储氢研究和描述氢与不同材料相互作用的热力学值数据库方面有着丰富的历史。凭借现有的数据库、各种机器学习等计算工具，以及最先进的实验能力，我们组建了国际合作团队，共同开展这项工作。

Matthew Witman，桑迪亚国家实验室

“我们证明机器学习技术确实可以模拟氢与金属相互作用时发生的复杂现象的物理和化学，”Wittman 补充道。

用于估计热力学特性的数据驱动建模功能可以快速提高研究速度。

在构建和训练此类机器学习模型时，它们可以在几秒钟内执行，因此可以快速筛选新的化学空间：在这项研究中，600 种材料具有储存和运输氢的潜力。

这仅在18个月内完成，如果没有机器学习，可能需要几年时间，当您考虑到历史上材料从实验室发现到商业化需要大约20年的时间时，这是一个大问题。

Mark Allendorf，桑迪亚国家实验室

改变氢能储存的潜力

研究人员在他们的研究中还发现了一些其他的东西——这些结果对氢燃料电池加气站的小规模制氢产生了重大影响。

“当氢气通过不同材料时，这些高熵合金氢化物可以实现自然级联压缩，”斯塔维拉说，并补充说氢气压缩通常是通过机械过程完成的。

Stavila解释了如何使用这些不同的合金层来建造储罐，将氢气泵入储罐后，气体在通过材料时被第一层压缩。

它被第二层进一步压缩，并被不同合金的所有层压缩，这自然允许氢气用于产生电力的电动机。

在海平面大气条件下产生的氢气压力约为1巴——公制压力单位。为了使用氢气为燃料电池汽车或任何其他发动机提供动力，它应该被加压或压缩到相当高的压力。

例如，燃料电池充电站的氢气应具有800巴或更高的压力，以便将其作为700巴的氢气分配给燃料电池氢动力汽车。

随着氢通过这些层，它在没有机械作用的情况下变得越来越加压。理论上，您可以泵送1巴的氢气并排放800巴——氢气充电站所需的压力。

Vitalie Stavila，桑迪亚国家实验室

研究人员一直在不断改进模型。然而，由于该数据库已通过能源部公开，一旦更好地理解该方法，机器学习的使用可能会促进材料科学等各个领域的重大进步，Agarwal 指出。

这项研究由美国能源部氢和燃料电池技术办公室、能源效率和可再生能源办公室以及桑迪亚实验室指导的研究和开发计划资助。