来自桑迪亚国家实验室的一组材料科学家和计算机科学家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为消费者简单地创建氢基础设施来帮助加快氢能的未来发展。
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描述这种新方法的论文。
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、各种机器学习和其他计算工具以及最先进的实验能力，我们组建了一个国际合作小组，共同开展这项工作。
Matthew Witman，桑迪亚国家实验室
“我们证明了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，”威特曼补充道。
估算热力学特性的数据驱动建模能力可以快速提高研究速度。
当构建和训练此类机器学习模型时，它们只需几秒钟即可执行，因此可以快速筛选新的化学空间：在这项研究中，600 种材料具有储氢和传输氢的潜力。
这仅在 18 个月内完成。如果没有机器学习，它可能需要几年时间。当您考虑到历史上将材料从实验室发现到商业化需要大约 20 年的时间时，这是一个很大的问题。
Mark Allendorf，桑迪亚国家实验室
改变氢能源储存的潜力
研究人员还在他们的研究中发现了其他一些东西——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。
“这些高熵合金氢化物可以在氢通过不同材料时实现自然级联压缩，”斯塔维拉说，并补充说氢压缩通常是通过机械过程进行的。
Stavila 解释了如何用这些不同的合金层建造储罐。将氢气泵入储罐后，气体在穿过材料时被第一层压缩。
它被第二层进一步压缩，并被所有不同合金的层压缩。这自然使氢气可用于产生电力的电机。
在海平面大气条件下产生的氢气压力约为 1 巴——压力的公制单位。为了使用氢为燃料电池的车辆或任何其他发动机提供动力，应该将其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 巴的氢气分配到燃料电池氢汽车中。
当氢通过这些层时，它会在没有机械作用的情况下变得越来越加压。理论上，您可以泵入 1 巴的氢气并排出 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完善模型。然而，由于该数据库已经通过能源部公开，一旦对该方法有了更好的了解，机器学习的使用可能会推动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的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。
