氢动力汽车用金属有机框架
金属有机骨架在氢燃料汽车中具有应用潜力。图片来源:空气产品公司

克里特岛大学和欧洲丰田汽车公司的研究人员改进了金属有机框架(MOFs)作为氢动力汽车潜在材料的储氢特性。

研究人员的发现最近发表在《国际氢能杂志》(International Journal of Hydrogen Energy)上,他们还为机器学习(ML)在财政部设计中的应用提供了“概念证明”。

什么是金属有机框架,为什么用它们来储存气体?

金属-有机骨架是由与有机分子配合的金属簇组成的网状结构,称为配体。在本研究中,配体被取代苯环。

根据该报告,由于MOFs通常是多孔的,它们非常适合储存氢气等气体。例如,含有与MOFs结合的氢的储罐可能比只含有氢的储罐需要更低的压力。这种储罐在氢动力汽车上也有应用。

和电池动力汽车一样,氢动力汽车可能有助于减少我们对化石燃料的依赖。克里特岛大学(University of Crete)计算化学教授、这篇论文的合著者乔治·e·弗鲁达基斯(George E. Froudakis)教授说,传统电动汽车和氢动力汽车的主要区别在于能量存储机制。Froudakis教授说,一个有电池,另一个有一个氢罐和一个燃料电池,在那里氢被“燃烧”来产生电和水。

你读过吗?
使氢项目具有成本竞争力

“所有其他成分可能都是一样的,”Froudakis说。“在绿色交通方面,电池技术主要针对轻型车辆,而氢也可以应用于重型和大型车辆,比如卡车、火车、船只、潜艇等。”

他说,氢燃料汽车的另一个优点是,在氢燃料站加油只需几分钟。然而,Froudakis教授指出,这确实需要大小可以装进汽车的氢罐,这就是为什么行业想要提高存储性能的原因。

通过提高结合能提高储氢性能

研究人员试图设计具有更好的储氢能力的MOFs。他们通过战略性地选择58个苯基功能化的连接子来构建mof,然后利用计算化学技术计算出mof的氢键结合能。

一些功能化的MOFs的氢相互作用强度增加了15 - 25%。其中一人看到了80%的互动改善。然后,研究小组利用这些发现,通过ML训练一个模型来预测结合能,结果显示出良好的结果——即使他们的功能化工作的数据有限。他们希望这种“概念验证”的ML方法可以为未来的努力提供信息,潜在地节省大量计算的时间和资源。188bet金宝搏网页登录

金属有机框架的功能化储氢

研究人员使用剑桥结构数据库(CSD)中发现的MOFs的碱基结构对他们的Isoreticular (IR) MOFs进行功能化。

Froudakis说:“为了测试我们的功能化策略,我们从第一代IR-MOFs中选择了三个强大的知名MOFs。”“通过这种方式,我们想证明连接子功能化对于许多多孔材料(如MOFs、共价有机框架材料(COFs)、Zeolitic咪唑啉框架材料(ZIFs)等)中获得显著增强氢吸收至关重要。我们希望其他研究人员也能遵循这一策略,合成具有优越储氢能力的新型功能化MOFs。”

CSD包含了超过100,000个类似mof的框架,这些框架被整理在两个丰富和策划的子集中。

CSD所在的剑桥晶体数据中心(CCDC)的数据和社区负责人苏珊娜·沃德(Suzanna Ward)说:“MOFs在帮助我们应对气候变化方面有巨大的潜力,显然,从丰富的可用数据中利用知识可以帮助加快研究。”随着CSD中MOFs的增加,看到这些数据与机器学习相结合能够帮助改善氢存储,从而在未来实现更绿色的交通,当然是令人兴奋的。”

“在CCDC,我们致力于支持使用结构数据来克服这些现实问题的研究人员。最近的发展使科学家更容易利用知识,”沃德说。

你读过吗?
英美资源集团在智利启动绿色氢燃料站

机器学习如何提供帮助?

Froudakis和他的团队使用abo -initio方法计算了功能化MOFs的结合能。他们希望在未来通过ML预测结合能来潜在地限制这种计算量大的方法。他们的模型在本研究中使用有限的功能化数据进行训练,显示出很有前景的结果。然而,一个更可靠的模型需要更多的数据。但是,一个模型需要多少数据才能产生可靠的预测,又能节省多少时间呢?

“这是一个非常‘热门’的问题,令许多在该领域工作的研究人员感到困惑,”Froudakis说。“对于一个功能群和一个MOF的传统多尺度计算,在一个典型的工作站可能需要一个月甚至更多的CPU时间。”

他补充说:“另一方面,如果你有一个训练有素的ML模型,同样的结果可以在不到一毫秒内得到!我们已经做了大量的工作,为机器学习作为MOFs气体吸附的稳健预测工具铺平了道路。尽管如此,我们似乎还在半路上。”

访问论文全文