🔬 natuurkunde

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

Deze studie toont aan dat machine learning-modellen getraind op elementaire atoompercentages effectief de belangrijkste waterstofabsorptie-eigenschappen van Zr–Ti-gebaseerde C14 Laves-fase AB2-legeringen kunnen voorspellen, waarbij een hoge nauwkeurigheid wordt bereikt voor de eenheidscelvolume en een matige nauwkeurigheid voor de evenwichtsdruk, waardoor het ontwerp van waterstofopslagmaterialen wordt versneld.

Oorspronkelijke auteurs: Suwarno Suwarno, Mohammad Ismail, witantyo Witantyo, Ivan Tolj

Gepubliceerd 2026-11-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Suwarno Suwarno, Mohammad Ismail, witantyo Witantyo, Ivan Tolj

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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

Waterstof is een schone brandstof die zonder vervuiling brandt, maar het opslaan ervan is een lastig technisch probleem. Omdat waterstof het lichtste element in het universum is, neemt het een enorme hoeveelheid ruimte in beslag, tenzij het stevig wordt samengeperst. Een manier om dit op te lossen is door waterstofatomen in de kristalstructuur van een metaal te vangen, waardoor een vast materiaal ontstaat dat het gas veilig vasthoudt. Deze materialen, metalen hydriden genoemd, kunnen waterstof absorberen zoals een spons water opzuigt en het weer afgeven wanneer dat nodig is. Onder de vele soorten metalen die worden bestudeerd, heeft een specifieke groep bekend als AB2-legeringen veel belofte getoond. Dit zijn mengsels van twee verschillende metalen die een rigide, herhalend patroon vormen, een kristalrooster genoemd. Wanneer waterstof de rooster binnengaat, verandert dit de grootte van het patroon en de energie die nodig is om het gas vast te houden. Wetenschappers moeten precies weten hoe deze veranderingen plaatsvinden om betere batterijen en brandstoftanks te ontwerpen, maar het testen van elke mogelijke combinatie van metalen in een laboratorium is traag, duur en vaak onmogelijk om voor elke theoretische mix te doen.

Om dit ontdekkingsproces te versnellen, hebben onderzoekers uit Indonesië, Maleisië en Kroatië zich tot een ander soort hulpmiddel gewend: machine learning. In plaats van metalen voor elke experiment in een smeltoven te smelten, hebben ze een computer geleerd om het gedrag van deze legeringen te voorspellen op basis van hun chemische samenstelling. Het team concentreerde zich op een specifieke familie van legeringen die voornamelijk zijn gemaakt van zirkonium en titanium, die bekend staan om het vormen van een hexagonaal kristalrooster genaamd de C14 Laves-fase. Ze verzamelden een enorme collectie gegevens uit eerdere wetenschappelijke studies en stelden informatie samen over 244 verschillende legeringsrecepten. Voor elk recept wisten ze precies welke elementen aanwezig waren en in welke hoeveelheden, evenals de resulterende fysieke eigenschappen: hoe de kristalstructuur uitvlakte bij het absorberen van waterstof, hoeveel warmte er vrijkwam tijdens het proces, hoeveel wanorde er ontstond en de druk waarbij de waterstof zich zou vestigen.

De onderzoekers wilden zien of ze deze vier belangrijke uitkomsten konden voorspellen door alleen naar de lijst met ingrediënten te kijken. Ze testten twee verschillende manieren om deze informatie aan de computer te voeren. De eerste methode gebruikte de ruwe percentages van elk element, zoals "10 procent titanium" of "5 procent mangaan". De tweede methode gebruikte berekende fysieke eigenschappen afgeleid van die ingrediënten, zoals de gemiddelde grootte van de atomen, de dichtheid van het materiaal en de ratio van de twee belangrijkste metalen. Ze trainden vijf verschillende soorten computeralgoritmen op deze gegevens, waarbij ze de informatie zo verdeelden dat de computer leerde van de meeste voorbeelden en werd getest op de voorbeelden die hij nog nooit eerder had gezien. Deze aanpak stelde hen in staat om te beoordelen hoe goed de computer de eigenschappen van een nieuwe, onbekende legering kon raden.

De resultaten toonden een duidelijke winnaar in de beschrijving van de ingrediënten. De computer presteerde aanzienlijk beter wanneer deze de eenvoudige lijst met elementpercentages kreeg dan wanneer deze de berekende fysieke eigenschappen kreeg. Bij het voorspellen van de grootte van de kristaleenheidscel — het kleine doosje dat zich herhaalt om het metaal te vormen — was het model dat elementpercentages gebruikte opmerkelijk accuraat. Eén eenvoudig lineair model, dat zoekt naar rechtlijnige relaties tussen datapunten, behaalde een score van 0,955 op de testset, wat betekent dat het de kristalgrootte met zeer hoge precisie kon voorspellen. Dit suggereert dat de grootte van het kristal grotendeels wordt bepaald door een recht evenredig gemiddelde van de grootte van de atomen die erin zitten. In contrast hiermee hadden de modellen die de complexere fysieke eigenschappen gebruikten moeite om dezelfde mate van nauwkeurigheid te bereiken, wat erop wijst dat die berekende getallen mogelijk enkele specifieke details verbergen die de computer nodig heeft.

Het verhaal was echter anders voor de andere eigenschappen. Het voorspellen van de warmte die vrijkomt bij de absorptie van waterstof bleek veel moeilijker. Zelfs de beste modellen konden slechts ongeveer de helft van de variatie in de gegevens verklaren, wat suggereert dat de absorptiewarmte afhangt van subtiele elektronische en structurele factoren die een eenvoudige lijst met ingrediënten niet volledig kan verklaren. De voorspelling van entropie, die de wanorde of willekeur meet die ontstaat wanneer waterstof het metaal binnengaat, was de moeilijkste taak van allemaal. De meeste computermodellen presteerden slechter dan simpelweg het gemiddelde raden voor elke nieuwe legering, wat aangeeft dat de huidige gegevens niet genoeg informatie bevatten om de complexe trillingen en arrangementen te begrijpen die deze eigenschap beheersen.

De evenwichtsdruk, oftewel de kracht waarbij de waterstof zich comfortabel binnen het metaal bevindt, vertoonde matig succes. De computer kon deze waarde redelijk goed voorspellen, vooral wanneer deze de elementpercentages gebruikte. Interessant genoeg vonden de onderzoekers een sterke link tussen de druk en de grootte van de kristalcel: naarmate de kristalbox groter werd, daalde de druk die nodig was om de waterstof vast te houden. Dit is fysiek logisch, omdat een grotere ruimte binnen het metaal het gemakkelijker maakt voor waterstofatomen om erin te passen, waardoor er minder druk nodig is om ze daarheen te dwingen. De studie concludeert dat hoewel machine learning een krachtig hulpmiddel is voor het ontwerpen van deze waterstofopslagmaterialen, het het beste werkt voor structurele eigenschappen zoals grootte. Voor de complexere thermodynamische gedragingen zoals warmte en wanorde zullen wetenschappers slimmere manieren moeten ontwikkelen om de materialen te beschrijven voordat computers deze betrouwbaar kunnen voorspellen. Dit werk biedt een duidelijke weg vooruit, waarbij het laat zien dat weten wat het exacte recept van een legering is vaak nuttiger is dan het kennen van de afgeleide fysieke kenmerken wanneer men probeert te voorspellen hoe het energie opslaat.

Technische Samenvatting: Machine Learning-voorspelling van waterstofabsorptie-eigenschappen in Zr-Ti gebaseerde C14 Laves-fase $AB_2$ legeringen

Probleemstelling
Het ontwerp van metaalhydriden voor vaste-stof waterstofopslag en batterijtoepassingen vereist een nauwkeurige controle over thermodynamische en structurele eigenschappen. Specifiek zijn Zr-Ti gebaseerde C14 Laves-fase $AB_2$ legeringen van groot belang vanwege hun hoge waterstofcapaciteiten en activatie-eigenschappen. Het experimenteel bepalen van cruciale waterstofabsorptieparameters—zoals de eenheidscel-volume ( $V_{14}$ ), de enthalpie van waterstofabsorptie ( $\Delta H$ ), de entropie van waterstofabsorptie ( $\Delta S$ ) en de evenwichtsplatoondruk ( $P_{eq}$ )—is echter zeer arbeidsintensief. Hoewel machine learning (ML) is toegepast op de voorspelling van metaalhydriden, zijn bestaande databases vaak verouderd en blijven de optimale inputkenmerken voor het voorspellen van specifieke Laves-fase eigenschappen onderbelicht. Deze studie adresseert de behoefte aan het ontwikkelen van robuuste ML-modellen die deze waterstofabsorptie-eigenschappen direct voorspellen vanuit de chemische samenstelling, waarbij twee verschillende benaderingen voor feature engineering worden vergeleken.

Methodologie
De onderzoekers construeerden een gecureerde dataset bestaande uit 244 vermeldingen van Zr-Ti gebaseerde $AB_2$ legeringen, geëxtraheerd uit de academische literatuur. De dataset werd gefilterd om alleen legeringen met geïdentificeerde C14 Laves-fasen te bevatten, waarbij vermeldingen met enkel C15-fasen of onvoldoende variantie in de elementaire samenstelling werden verwijderd.

Twee categorieën onafhankelijke variabelen (kenmerken) werden systematisch vergeleken:

Elementair Atoompercentage: Directe representatie van de chemische samenstelling van de legering.
Eigenschappen-gebaseerde Variabelen: Afgeleide fysieke descriptoren berekend uit de samenstelling, waaronder molaire massa, bulkdichtheid, molair volume, atomaire straalverhouding, bulkmodulus, elektronendichtheid en de B/A-plaatsverhouding.

Vijf machine learning-algoritmen werden geëvalueerd: Multivariate Lineaire Regressie (LR), Random Forest (RF), Ridge Regressie, k-Nearest Neighbors (KNN) en Extreme Gradient Boosting (XGBoost). De workflow omvatte:

Preprocessing: Verwijdering van elementen met een lage variantie (bijv. Ho, Sn, Al) en het afhandelen van hoge correlaties (bijv. tussen Ti en Zr, die behouden bleven vanwege hun cruciale rol in A-plaats substitutie). De data werd geschaald met behulp van Min-Max normalisatie.
Feature Selectie: Forward feature selectie werd toegepast om de meest informatieve deelverzamelingen van variabelen voor elk doel en algoritme te identificeren.
Modeltraining en Validatie: De dataset werd gesplitst in 80% trainingssets en 20% testsets. Prestaties werden rigoureus beoordeeld via 5-voudige kruisvalidatie.
Evaluatiemetrieken: Modellen werden geëvalueerd op basis van de determinatiecoëfficiënt ( $R^2$ ), de gemiddelde absolute fout (MAE) en de wortel van de gemiddelde kwadratische fout (RMSE).

Belangrijkste Resultaten
De studie leverde uiteenlopende prestatieresultaten, afhankelijk van de doelvariabele en het gebruikte type kenmerk:

Eenheidscel-volume ( $V_{14}$ ): Dit was de meest succesvol voorspelde variabele. Modellen die gebruik maakten van elementaire atoompercentage kenmerken presteerden significant beter dan die met eigenschappen-gebaseerde kenmerken. Opvallend genoeg bereikte een eenvoudig Lineair Regressie model de hoogste nauwkeurigheid op de testset met een $R^2$ van 0,955, waarmee het complexe ensemble-methoden zoals XGBoost en RF overtrof. Dit suggereert een overwegend lineaire relatie tussen de elementaire samenstelling en het eenheidscel-volume. In contrast hiermee leverden eigenschappen-gebaseerde kenmerken een lagere test $R^2$ van 0,670 voor LR op, hoewel RF een $R^2$ van 0,931 behaalde.
Enthalpie ( $\Delta H$ ) en Entropie ( $\Delta S$ ): De voorspelling van thermodynamische eigenschappen bleek uitdagend.
- Voor $\Delta H$ was de beste validatie $R^2$ matig op 0,561 (RF met eigenschappen-gebaseerde kenmerken) en 0,531 (KNN met element-gebaseerde kenmerken).
- Voor $\Delta S$ waren de prestaties slecht; de meeste modellen resulteerden in negatieve validatie $R^2$ -waarden, wat aangeeft dat ze slechter presteerden dan een eenvoudige gemiddelde voorspelling. De beste validatie $R^2$ was slechts 0,218 (KNN met element-gebaseerde kenmerken).
Evenwichtsdruk ( $P_{eq}$ ): Deze variabele vertoonde een matige voorspellingsnauwkeurigheid. De beste validatie $R^2$ bereikte 0,739 (behaald door zowel KNN als XGBoost met element-gebaseerde kenmerken). Een belangrijke bevinding was de waargenomen lineaire correlatie tussen $P_{eq}$ en $V_{14}$ , consistent met de van 't Hoff-vergelijking, waarbij grotere eenheidscel-volumes correleren met lagere evenwichtsdrukken.

Bijdragen en Betekenis
Dit artikel demonstreert dat machine learning effectief kan worden ingezet om het ontwerp van $AB_2$ waterstofopslaglegeringen te versnellen, met name voor het voorspellen van structurele eigenschappen zoals het eenheidscel-volume direct vanuit de chemische samenstelling.

Effectiviteit van Kenmerken: De studie stelt vast dat ruwe elementaire atoompercentages superieur zijn aan afgeleide fysieke eigenschappen voor het voorspellen van $V_{14}$ , waarschijnlijk omdat ze een meer fijnmazige representatie bieden van de samenstelling-afhankelijke variaties.
Algoritme Selectie: De resultaten benadrukken dat modelcomplexiteit niet altijd gelijkstaat aan betere prestaties; voor de voorspelling van $V_{14}$ presteerden lineaire modellen beter dan niet-lineaire ensemble-methoden, wat suggereert dat de onderliggende fysica grotendeels lineair is met betrekking tot atomaire radii.
Beperkingen en Toekomstige Richtingen: De auteurs concluderen bescheiden dat hoewel structurele eigenschappen voorspelbaar zijn, thermodynamische eigenschappen ( $\Delta H$ , $\Delta S$ ) moeilijk te modelleren blijven met de huidige descriptoren. De lage nauwkeurigheid voor entropie suggereert dat de huidige bulk-eigenschappen-descriptoren er niet in slagen de complexe configurationele, vibrationele en elektronische bijdragen te vatten die deze waarden bepalen. Het artikel stelt dat geavanceerdere feature engineering vereist is om de voorspelling van thermodynamische absorptie-eigenschappen te verbeteren.

Samenvattend valideert dit werk het nut van datagestuurde benaderingen voor de snelle screening van Zr-Ti gebaseerde Laves-fase legeringen, waarbij een betrouwbaar pad wordt geboden voor het voorspellen van structurele parameters, terwijl specifieke tekortkomingen in de huidige kenmerkensets voor thermodynamische voorspelling worden geïdentificeerd.

Meer zoals dit