🔬 materials science

Hydrogen diffusion in TiCr $_2$ H $_x$ Laves phases: A combined ab initio and machine-learning-potential study

Dit onderzoek combineert DFT-berekeningen en machine learning-potentialen om de waterstofdiffusie in TiCr $_2$ Laves-fasen te analyseren, waarbij wordt vastgesteld dat migratiebarrières afhangen van de gebroken bindingen, de diffusiecoëfficiënten een niet-monotone concentratieafhankelijkheid vertonen, en de discrepantie met experimenten waarschijnlijk wordt veroorzaakt door waterstoftrapping door defecten.

Oorspronkelijke auteurs: Pranav Kumar, Fritz Körmann, Kaveh Edalati, Blazej Grabowski, Yuji Ikeda

Gepubliceerd 2026-02-26

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Pranav Kumar, Fritz Körmann, Kaveh Edalati, Blazej Grabowski, Yuji Ikeda

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Titel: De Hydrogen-avonturen in een TiCr2-busje: Een verhaal over snelheid, obstakels en machinelearning

Stel je voor dat je een enorm drukke bus hebt, een TiCr2-busje (een metaallegatie die bekend staat als een "Laves-fase"). In deze bus zitten titanium- en chroom-rijders. Maar er is een speciaal soort passagier: waterstof. Waterstof is klein, snel en wil graag van plek wisselen. Hoe snel deze waterstofpassagiers door de bus kunnen rennen, bepaalt hoe goed de bus als brandstoftank voor waterstofauto's werkt.

Deze studie, geschreven door Pranav Kumar en zijn team, kijkt precies naar hoe deze waterstofpassagiers zich gedragen in twee verschillende soorten busjes: een kubusvormig busje (C15) en een hexagonaal (zeskantig) busje (C14).

Hier is wat ze hebben ontdekt, vertaald in simpele taal:

1. De Bus en de Passagiers (De Structuur)

In deze metalen busjes zitten er speciale zitjes voor de waterstof. Sommige zitjes zijn gemaakt van chroom, andere van titanium.

De "Chroom-zitjes" (Cr-H): Hier is het makkelijk om op te staan en weg te lopen. Het is alsof je op een zachte, soepele stoel zit.
De "Titanium-zitjes" (Ti-H): Hier is het veel lastiger. Het is alsof je vastgeplakt zit aan een lijmpot. Om hier weg te komen, moet je veel meer kracht zetten.

De onderzoekers ontdekten dat waterstof het liefst in de zitjes blijft waar titanium aan betrokken is (de A2B2-zitjes), maar dat het wegrennen daar het moeilijkst is als je een titanium-bond moet verbreken.

2. De Routeplanner (De Simulaties)

Om te zien hoe snel de waterstof kan rennen, gebruikten de onderzoekers twee slimme methoden:

De "Super-rekenmachine" (DFT): Dit is als een zeer nauwkeurige, maar trage fotograaf. Hij maakt foto's van elke mogelijke stap die waterstof kan zetten. Dit kost echter veel tijd en rekenkracht.
De "Slimme AI-leraar" (Machine Learning Potentials): Omdat de fotograaf te traag is om een heel uur lang te kijken, trainden ze een AI. Deze AI leerde van de fotograaf en kon daarna zelf duizenden scenario's simuleren in een flits. Het is alsof je een student hebt die de lesstof van de professor heeft geleerd en nu zelf de hele dag kan oefenen zonder moe te worden.

3. Het Verhaal van de Snelheid (De Diffusie)

Wat gebeurde er toen ze keken hoe snel de waterstof door de busjes rende?

De "Hexagonale Ringen": In het hexagonale busje (C14) vormen de zitjes een soort ringen of kooien. Waterstof kan makkelijk binnenin deze ringen springen (van chroom-zitje naar chroom-zitje). Maar om uit de ring te springen naar een andere ring, moet het vaak een zware titanium-bond verbreken. Dat is als een muur opwerpen.
De "Vuilnisbak-regel": Als er te veel waterstof in de bus zit (te veel passagiers), wordt het een chaos. Ze duwen elkaar.
- Weinig waterstof: Ze rennen rustig.
- Net genoeg waterstof (ongeveer 2 passagiers per busje): De duwkracht van de anderen helpt de waterstof om sneller te rennen. Het is alsof een drukke menigte je een duw geeft om sneller te lopen. De snelheid is dan het hoogst!
- Te veel waterstof: Dan wordt het een file. Iedereen duwt tegen elkaar aan, en niemand komt meer vooruit. De snelheid daalt weer.

4. De Vergelijking met de Wereld (Experiment vs. Theorie)

De onderzoekers keken ook naar echte experimenten die anderen eerder hadden gedaan.

Het Resultaat: Hun computer-simulaties lieten zien dat waterstof ongeveer 10 keer sneller rende dan wat mensen in het lab hadden gemeten.
De Oorzaak: Waarom is dat? In de echte wereld zijn de busjes niet perfect. Er zitten kleine beschadigingen in (zoals lege plekken waar chroom had moeten zitten, of titanium op de verkeerde plek). Deze beschadigingen werken als valkuilen. De waterstofpassagiers lopen erin vast en komen niet meer los. In de computer-simulatie hadden ze perfecte, beschadigingsvrije busjes, dus daar rende iedereen vrij rond.

Samenvatting in één zin

Deze studie laat zien dat waterstof in TiCr2-metaal het snelst beweegt als de druk net goed is (niet te leeg, niet te vol), maar dat in de echte wereld kleine onvolkomenheden in het metaal de waterstof vaak vasthouden, waardoor het langzamer gaat dan de theorie voorspelt.

Waarom is dit belangrijk?
Als we begrijpen hoe deze waterstof-passagiers zich gedragen, kunnen we betere brandstoftanks bouwen voor waterstofauto's. We kunnen het metaal zo ontwerpen dat de waterstof sneller in en uit kan stromen, waardoor je auto sneller tankt en meer bereik heeft.

Titel: Waterstofdiffusie in TiCr2Hx Laves-fasen: Een gecombineerde ab initio en machine-learning-potentiaal studie

Auteurs: Pranav Kumar, Fritz Körmann, Kaveh Edalati, Blazej Grabowski, Yuji Ikeda.
Publicatiedatum: 27 januari 2026 (Preprint).

1. Het Probleem

Laves-fase legeringen (zoals TiCr2) zijn veelbelovende materialen voor vaste-stof waterstofopslag. Hoewel de thermodynamica en opslagcapaciteit van deze materialen goed bestudeerd zijn, blijft de kinetiek van waterstofdiffusie complex en moeilijk te voorspellen, vooral bij verschillende waterstofconcentraties ( $x$ in TiCr2Hx).

Bestaande experimentele studies tonen een grote spreiding in activeringsbarrières (van 0,13 eV tot 0,60 eV), wat moeilijk te interpreteren is zonder atomaire inzicht. Traditionele ab initio moleculaire dynamica (MD) simulaties gebaseerd op Dichtefunctietheorie (DFT) zijn te rekenintensief om de benodigde tijds- en lengteschalen te bereiken voor het modelleren van diffusieprocessen bij hoge temperaturen en concentraties. Er is een gebrek aan kwantitatieve beoordelingen van diffusiecoëfficiënten over een breed scala aan waterstofconcentraties voor zowel de kubieke (C15) als hexagonale (C14) Laves-fasen.

2. Methodologie

De auteurs hebben een hybride benadering ontwikkeld die DFT combineert met Machine Learning Interatomische Potentiaal (MLIP) simulaties:

DFT-berekeningen:
- Gebruik gemaakt van VASP met de PBE-functie (GGA) en PAW-potentialen.
- Berekening van migratiebarrières voor alle symmetrisch ongelijkwaardige paden tussen eerste-naaste-buren (face-sharing) interstitiële sites.
- Gebruik van de Generalized Solid-State Nudged Elastic Band (G-SSNEB) methode om de minimum-energiepaden te vinden.
- Onderzochte structuren: C15 (kubisch, ruimtegroep $Fd\bar{3}m$ ) en C14 (hexagonaal, ruimtegroep $P6_3/mmc$ ).
Machine Learning Potentiaal (MLIP) Ontwikkeling:
- Gebaseerd op Moment Tensor Potentials (MTP).
- Active Learning & Fine-tuning: Voor de C14-fase bij hoge waterstofconcentraties ( $x \ge 3.5$ ) vertoonde het oorspronkelijke potentiaal onrealistische krachten. De auteurs implementeerden een iteratief active learning protocol: MD-simulaties werden uitgevoerd, configuraties met hoge extrapolatiegrades werden geïdentificeerd, en deze werden opnieuw berekend met DFT om het trainingsdataset te verrijken. Dit resulteerde in een robuust potentiaal voor hoge concentraties.
- Het C15-potentiaal vereiste geen aanpassing.
Moleculaire Dynamica (MD) Simulaties:
- Uitgevoerd met LAMMPS op grote supercellen (6000 metaalatomen) om statistische convergentie te garanderen.
- Temperatuurbereik: 250 K tot 1000 K.
- Waterstofconcentratie: $0 < x \le 4$ .
- Berekening van diffusiecoëfficiënten ( $D$ ) via de Einstein-relatie en het gemiddelde kwadratische verplaatsing (MSD).

3. Belangrijkste Bijdragen

Systematische Kartering van Migratiepaden: Voor het eerst zijn alle symmetrisch ongelijkwaardige migratiepaden in zowel C15 als C14 TiCr2 kwantitatief bepaald in de verdunde limiet.
Ontwikkeling van Robuuste MLIPs: Een gefinetuned MLIP voor de C14-fase die stabiele simulaties mogelijk maakt bij zeer hoge waterstofconcentraties ( $x=4$ ), wat essentieel is voor het bestuderen van verzadigde systemen.
Concentratie-afhankelijkheid van Diffusie: Het onthullen van een niet-monotoon gedrag van de diffusiecoëfficiënt als functie van de waterstofconcentratie, wat eerder niet duidelijk was in computergestuurde studies.
Mechanistisch Inzicht: Het koppelen van diffusiegedrag aan specifieke H-H interacties (afstoting) en de bezetting van specifieke interstitiële sites (edge-sharing vs. face-sharing).

4. Resultaten

Migratiebarrières en Chemische Affiniteit:
- Er is een duidelijk verschil in barrières afhankelijk van welke metaal-waterstofbinding moet worden verbroken. Het verbreken van een Ti-H binding (A-H) kost aanzienlijk meer energie (203–801 meV) dan het verbreken van een Cr-H binding (B-H) (87–186 meV). Dit bevestigt de hogere chemische affiniteit van Ti voor waterstof.
- Waterstof vermijdt tijdens diffusie het bezetten van face-sharing posities (1NN) vanwege sterke afstoting.
- Diffusie vindt voornamelijk plaats binnen hexagonale ringen van A2B2-sites (waar Cr-H bindingen worden verbroken), terwijl het verlaten van deze ringen (inter-ring jumps) een hogere energie vereist.
Diffusiecoëfficiënten en Concentratie-afhankelijkheid:
- De diffusiecoëfficiënten vertonen een niet-monotoon gedrag in functie van $x$ $x$ :
  - Voor $x < 2$ : $D$ neemt toe met toenemende concentratie. De collectieve afstoting tussen waterstofatomen fungeert als een interne drijvende kracht die de effectieve activeringsbarrière verlaagt.
  - Rond $x \approx 2$ : $D$ bereikt een maximum.
  - Voor $x > 2$ : $D$ neemt af. De intense afstoting en "crowding" blokkeren de beschikbare interstitiële sites, wat de migratie hindert.
- Dit effect is sterker bij lagere temperaturen (400 K) dan bij hogere temperaturen (1000 K).
Temperatuurafhankelijkheid:
- In het bereik 400–1000 K volgt de diffusie een Arrhenius-relatie.
- De berekende activeringsenergieën liggen tussen 0,21 en 0,25 eV, wat goed overeenkomt met de meeste experimentele waarden (bijv. NMR en QENS metingen).
Vergelijking met Experiment:
- Hoewel de activeringsenergieën overeenkomen, zijn de berekende diffusiecoëfficiënten ongeveer één orde van grootte hoger dan sommige experimentele waarden (zoals Campbell et al.).
- Oorzaak: De auteurs attribueren dit verschil aan de niet-stoichiometrie in experimentele monsters (bijv. TiCr1.8 in plaats van TiCr2). Defecten zoals Cr-leegtes en Ti-anti-sites in experimentele monsters fungeren als waterstofval (traps), wat de diffusie in de praktijk vertraagt, maar niet is gemodelleerd in de ideale stoichiometrische simulaties.

5. Betekenis en Conclusie

De studie biedt diepgaand atomaar inzicht in de kinetiek van waterstof in TiCr2 Laves-fasen. De combinatie van DFT en MLIPs stelt onderzoekers in staat om diffusieprocessen te modelleren op tijdschalen die onbereikbaar zijn voor pure DFT, terwijl de nauwkeurigheid behouden blijft.

De bevindingen tonen aan dat de diffusiekinetiek niet alleen wordt bepaald door de kristalstructuur, maar sterk wordt beïnvloed door:

De specifieke chemische aard van de metaal-waterstofbindingen (Ti vs. Cr).
De collectieve afstoting tussen waterstofatomen bij hoge concentraties.
De aanwezigheid van defecten in niet-stoichiometrische legeringen.

Deze kennis is cruciaal voor het ontwerpen van nieuwe, geoptimaliseerde Laves-fase materialen voor snelle waterstofopslag en -afgifte, en biedt een blauwdruk voor het modelleren van complexe diffusieprocessen in andere multi-componenten systemen.