🔬 física

Machine learning prediction of hydrogen sorption properties of zirconium-titanium based C14 Laves phase AB 2 alloy from chemical composition

Este estudio demuestra que los modelos de aprendizaje automático entrenados en porcentajes atómicos elementales pueden predecir eficazmente propiedades clave de sorción de hidrógeno de las aleaciones de fase Laves C14 AB2 basadas en Zr–Ti, logrando una alta precisión para el volumen de la celda unitaria y una precisión moderada para la presión de equilibrio, acelerando así el diseño de materiales de almacenamiento de hidrógeno.

Autores originales: Suwarno Suwarno, Mohammad Ismail, witantyo Witantyo, Ivan Tolj

Publicado 2026-11-02

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Suwarno Suwarno, Mohammad Ismail, witantyo Witantyo, Ivan Tolj

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El hidrógeno es un combustible limpio que se quema sin contaminación, pero almacenarlo es un problema de ingeniería complicado. Debido a que el hidrógeno es el elemento más ligero del universo, ocupa una enorme cantidad de espacio a menos que se comprima fuertemente. Una forma de resolver esto es atrapar átomos de hidrógeno dentro de la estructura cristalina de un metal, creando un material sólido que contenga el gas de forma segura. Estos materiales, llamados hidruros metálicos, pueden absorber hidrógeno como una esponja absorbe el agua y liberarlo de nuevo cuando sea necesario. Entre los muchos tipos de metales que se están estudiando, un grupo específico conocido como aleaciones AB2 ha mostrado una gran promesa. Estas son mezclas de dos metales diferentes que forman un patrón rígido y repetitivo llamado red cristalina. Cuando el hidrógeno entra en la red, cambia el tamaño del patrón y la energía requerida para retener el gas. Los científicos necesitan saber exactamente cómo ocurren estos cambios para diseñar mejores baterías y tanques de combustible, pero probar cada combinación posible de metales en un laboratorio es lento, costoso y, a menudo, imposible de hacer para cada mezcla teórica.

Para acelerar este proceso de descubrimiento, investigadores de Indonesia, Malasia y Croacia recurrieron a un tipo diferente de herramienta: el aprendizaje automático (machine learning). En lugar de fundir metales en un horno para cada experimento, enseñaron a una computadora a predecir el comportamiento de estas aleaciones basándose en su composición química. El equipo se centró en una familia específica de aleaciones hechas principalmente de circonio y titanio, que son conocidas por formar una estructura cristalina hexagonal llamada fase Laves C14. Reunieron una colección masiva de datos de estudios científicos previos, recopilando información sobre 244 recetas de aleaciones diferentes. Para cada receta, sabían exactamente qué elementos estaban presentes y en qué cantidades, así como las propiedades físicas resultantes: cuánto se expandió la estructura cristalina cuando absorbió hidrógeno, cuánto calor se liberó durante el proceso, cuánta desorden se creó y la presión a la cual el hidrógeno se asentaría.

Los investigadores querían ver si podían predecir estos cuatro resultados clave simplemente mirando la lista de ingredientes. Probaron dos formas diferentes de alimentar la información a la computadora. El primer método utilizó los porcentajes brutos de cada elemento, como "10 por ciento de titanio" o "5 por ciento de manganeso". El segundo método utilizó propiedades físicas calculadas derivadas de esos ingredientes, como el tamaño promedio de los átomos, la densidad del material y la relación de los dos tipos principales de metal. Entrenaron cinco tipos diferentes de algoritmos computacionales con estos datos, dividiendo la información de modo que la computadora aprendiera de la mayoría de los ejemplos y fuera probada con los que no había visto antes. Este enfoque les permitió juzgar qué tan bien podía la computadora adivinar las propiedades de una nueva aleación no vista.

Los resultados mostraron un claro ganador en cuanto a cómo describir los ingredientes. La computadora funcionó significativamente mejor cuando se le dio la simple lista de porcentajes de elementos en lugar de las propiedades físicas calculadas. Al predecir el tamaño de la celda unitaria del cristal —la diminuta caja que se repite para formar el metal—, el modelo que utilizaba los porcentajes de elementos fue notablemente preciso. Un modelo lineal simple, que busca relaciones de línea recta entre los puntos de datos, logró una puntuación de 0.955 en el conjunto de prueba, lo que significa que podía predecir el tamaño del cristal con una precisión muy alta. Esto sugiere que el tamaño del cristal está determinado en gran medida por un promedio directo de los tamaños de los átomos que contiene. En contraste, los modelos que utilizaban las propiedades físicas más complejas tuvieron dificultades para alcanzar el mismo nivel de precisión, indicando que esos números calculados podrían ocultar algunos de los detalles específicos que la computadora necesita.

Sin embargo, la historia fue diferente para las otras propiedades. Predecir el calor liberado cuando el hidrógeno es absorbido resultó ser mucho más difícil. Incluso los mejores modelos solo pudieron capturar aproximadamente la mitad de la variación en los datos, lo que sugiere que el calor de absorción depende de factores electrónicos y estructurales sutiles que una simple lista de ingredientes no puede explicar por completo. La predicción de la entropía, que mide el desorden o la aleatoriedad creada cuando el hidrógeno entra en el metal, fue la tarea más difícil de todas. La mayoría de los modelos computacionales funcionaron peor que simplemente adivinar el valor promedio para cada nueva aleación, lo que indica que los datos actuales no contienen suficiente información para comprender las vibraciones y arreglos complejos que gobiernan esta propiedad.

La presión de equilibrio, que es la fuerza a la cual el hidrógeno se asienta cómodamente dentro del metal, mostró un éxito moderado. La computadora pudo predecir este valor razonablemente bien, especialmente cuando utilizó los porcentajes de los elementos. Curiosamente, los investigadores encontraron un fuerte vínculo entre la presión y el tamaño de la celda del cristal: a medida que la caja del cristal se hacía más grande, la presión necesaria para retener el hidrógeno disminuía. Esto tiene sentido físico porque un espacio más grande dentro del metal facilita que los átomos de hidrógeno encajen, requiriendo menos presión para forzarlos allí. El estudio concluye que, si bien el aprendizaje automático es una herramienta poderosa para diseñar estos materiales de almacenamiento de hidrógeno, funciona mejor para propiedades estructurales como el tamaño. Para los comportamientos termodinámicos más complejos, como el calor y el desorden, los científicos necesitarán desarrollar formas más inteligentes de describir los materiales antes de que las computadoras puedan predecir de manera confiable. Este trabajo proporciona un camino claro a seguir, mostrando que conocer la receta exacta de una aleación es a menudo más útil que conocer sus rasgos físicos derivados cuando se intenta pronosticar cómo almacenará energía.

Resumen Técnico: Predicción mediante Aprendizaje Automático de las Propiedades de Sorción de Hidrógeno en Aleaciones de Fase de Laves C14 basadas en Zr-Ti

Planteamiento del Problema
El diseño de hidruros metálicos para el almacenamiento de hidrógeno en estado sólido y aplicaciones de baterías requiere un control preciso sobre las propiedades termodinámicas y estructurales. Específicamente, las aleaciones $AB_2$ de fase de Laves C14 basadas en Zr-Ti son de gran interés debido a sus altas capacidades de hidrógeno y propiedades de activación. Sin embargo, la determinación experimental de los parámetros clave de sorción de hidrógeno —como el volumen de la celda unitaria ( $V_{14}$ ), la entalpía de absorción de hidrógeno ( $\Delta H$ ), la entropía de absorción de hidrógeno ( $\Delta S$ ) y la presión de meseta de equilibrio ( $P_{eq}$ )— consume muchos recursos. Si bien se ha aplicado el aprendizaje automático (ML) a la predicción de hidruros metálicos, las bases de datos existentes suelen estar desactualizadas y los descriptores de entrada óptimos para predecir propiedades específicas de la fase de Laves aún no han sido explorados suficientemente. Este estudio aborda la necesidad de desarrollar modelos de ML robustos que predigan estas propiedades de sorción directamente a partir de la composición química, comparando dos enfoques distintos de ingeniería de características.

Metodología
Los investigadores construyeron un conjunto de datos curado que comprende 244 entradas de aleaciones $AB_2$ basadas en Zr-Ti, extraídas de la literatura académica. El conjunto de datos fue filtrado para incluir solo aleaciones con fases de Laves C14 identificadas, eliminando entradas que presentaban únicamente fases C15 o una varianza insuficiente en la composición elemental.

Se compararon sistemáticamente dos categorías de variables independientes (características):

Porcentaje Atómico de Elementos: Representación directa de la composición química de la aleación.
Variables Basadas en Propiedades: Descriptores físicos derivados calculados a partir de la composición, incluyendo masa molar, densidad aparente, volumen molar, radio atómico, módulo de compresibilidad, densidad electrónica y la relación de sitios B/A.

Se evaluaron cinco algoritmos de aprendizaje automático: Regresión Lineal Multivariante (LR), Bosque Aleatorio (RF), Regresión Ridge, k-Vecinos más Cercanos (KNN) y XGBoost (Extreme Gradient Boosting). El flujo de trabajo consistió en:

Preprocesamiento: Eliminación de elementos de baja varianza (p. ej., Ho, Sn, Al) y manejo de altas correlaciones (p. ej., entre Ti y Zr, que se mantuvieron debido a su papel crítico en la sustitución del sitio A). Los datos se escalaron utilizando normalización Min-Max.
Selección de Características: Se empleó la selección de características hacia adelante (forward feature selection) para identificar los subconjuntos más informativos de variables para cada objetivo y algoritmo.
Entrenamiento y Validación de Modelos: El conjunto de datos se dividió en un 80% para entrenamiento y un 20% para prueba. El rendimiento se evaluó rigurosamente mediante validación cruzada de 5 pliegues (5-fold cross-validation).
Métricas de Evaluación: Los modelos se evaluaron basándose en el coeficiente de determinación ( $R^2$ ), el Error Absoluto Medio (MAE) y la Raíz del Error Cuadrático Medio (RMSE).

Resultos Clave
El estudio arrojó resultados de rendimiento distintos dependiendo de la variable objetivo y el tipo de característica utilizada:

Volumen de la Celda Unitaria ( $V_{14}$ ): Esta fue la variable predicha con mayor éxito. Los modelos que utilizaron características de porcentaje atómico de elementos superaron significativamente a aquellos que utilizaron características basadas en propiedades. Notablemente, un modelo simple de Regresión Lineal alcanzó la mayor precisión en el conjunto de prueba con un $R^2$ de 0.955, superando a métodos de ensamble complejos como XGBoost y RF. Esto sugiere una relación predominantemente lineal entre la composición elemental y el volumen de la celda unitaria. En contraste, las características basadas en propiedades arrojaron un $R^2$ de prueba inferior de 0.670 para LR, aunque RF alcanzó un 0.931.
Entalpía ( $\Delta H$ ) y Entropía ( $\Delta S$ ): La predicción de las propiedades termodinámicas resultó ser un desafío.
- Para $\Delta H$ , el mejor $R^2$ de validación fue moderado, con 0.561 (RF con características basadas en propiedades) y 0.531 (KNN con características basadas en elementos).
- Para $\Delta S$ , el rendimiento fue deficiente; la mayoría de los modelos resultaron en valores de $R^2$ de validación negativos, lo que indica que funcionaron peor que una simple predicción de la media. El mejor $R^2$ de validación fue solo de 0.218 (KNN con características basadas en elementos).
Presión de Equilibrio ( $P_{eq}$ ): Esta variable mostró una precisión de predicción moderada. El mejor $R^2$ de validación alcanzó 0.739 (logrado tanto por KNN como por XGBoost utilizando características basadas en elementos). Un hallazgo significativo fue la correlación lineal observada entre $P_{eq}$ y $V_{14}$ , consistente con la ecuación de van't Hoff, donde volúmenes de celda unitaria más grandes se correlacionan con presiones de equilibrio más bajas.

Contribuciones y Significado
El artículo demuestra que el aprendizaje automático puede acelerar eficazmente el diseño de aleaciones de almacenamiento de hidrógeno $AB_2$ , particularmente para la predicción de propiedades estructurales como el volumen de la celda unitaria directamente desde la composición química.

Eficacia de las Características: El estudio establece que los porcentajes atómicos de elementos brutos son superiores a las propiedades físicas derivadas para predecir $V_{14}$ , probablemente porque proporcionan una representación más granular de las variaciones dependientes de la composición.
Selección de Algoritmos: Los resultados resaltan que la complejidad del modelo no siempre equivale a un mejor rendimiento; para la predicción de $V_{14}$ , los modelos lineales superaron a los métodos de ensamble no lineales, lo que sugiere que la física subyacente es mayoritariamente lineal respecto a los radios atómicos.
Limitaciones y Direcciones Futuras: Los autores concluyen modestamente que, si bien las propiedades estructurales son predictibles, las propiedades termodinámicas ( $\Delta H$ , $\Delta S$ ) siguen siendo difíciles de modelar con los descriptores actuales. La baja precisión para la entropía sugiere que los descriptores de propiedades globales actuales no logran capturar las complejas contribuciones configuracionales, vibracionales y electrónicas que las gobiernan. El artículo postula que se requiere una ingeniería de características más avanzada para mejorar la predicción de las propiedades de sorción termodinámica.

En resumen, este trabajo valida la utilidad de los enfoques basados en datos para el cribado rápido de aleaciones de fase de Laves basadas en Zr-Ti, ofreciendo una vía fiable para predecir parámetros estructurales al tiempo que identifica brechas específicas en los conjuntos de características actuales para la predicción termodinámica.

Más como este