🔬 física

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

Este estudo demonstra que modelos de aprendizado de máquina treinados em porcentagens atômicas elementares podem prever eficazmente propriedades fundamentais de sorção de hidrogênio de ligas de fase Laves C14 AB2 baseadas em Zr–Ti, alcançando alta precisão para o volume da célula unitária e precisão moderada para a pressão de equilíbrio, acelerando, assim, o design de materiais de armazenamento de hidrogênio.

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

Publicado 2026-11-02

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O hidrogênio é um combustível limpo que queima sem poluição, mas armazená-lo é um problema de engenharia complicado. Por ser o elemento mais leve do universo, o hidrogênio ocupa um espaço enorme, a menos que seja espremido intensamente. Uma maneira de resolver isso é prender átomos de hidrogênio dentro da estrutura cristalina de um metal, criando um material sólido que retém o gás com segurança. Esses materiais, chamados hidretos metálicos, podem absorver o hidrogênio como uma esponja absorve a água e liberá-lo novamente quando necessário. Entre os muitos tipos de metais que estão sendo estudados, um grupo específico conhecido como ligas AB2 mostrou grande potencial. Estas são misturas de dois metais diferentes que formam um padrão rígido e repetitivo chamado rede cristalina. Quando o hidrogênio entra nessa rede, ele altera o tamanho do padrão e a energia necessária para manter o gás. Os cientistas precisam saber exatamente como essas mudanças ocorrem para projetar melhores baterias e tanques de combustível, mas testar cada possível combinação de metais em um laboratório é lento, caro e muitas vezes impossível de fazer para cada mistura teórica.

Para acelerar esse processo de descoberta, pesquisadores da Indonésia, Malásia e Croácia recorreram a um tipo diferente de ferramenta: o aprendizado de máquina. Em vez de derreter metais em um forno para cada experimento, eles ensinaram um computador a prever o comportamento dessas ligas com base em sua composição química. A equipe concentrou-se em uma família específica de ligas feitas principalmente de zircônio e titânio, que são conhecidas por formar uma estrutura cristalina hexagonal chamada fase Laves C14. Eles reuniram uma coleção massiva de dados de estudos científicos anteriores, compilando informações sobre 244 receitas diferentes de ligas. Para cada receita, eles sabiam exatamente quais elementos estavam presentes e em quais quantidades, bem como as propriedades físicas resultantes: quanto a estrutura cristalina se expandiu ao absorver hidrogênio, quanto calor foi liberado durante o processo, quanta desordem foi criada e a pressão na qual o hidrogênio se estabilizaria.

Os pesquisadores queriam ver se conseguiam prever esses quatro resultados principais apenas olhando para a lista de ingredientes. Eles testaram duas maneiras diferentes de fornecer essas informações ao computador. O primeiro método usou as porcentagens brutas de cada elemento, como "10 por cento de titânio" ou "5 por cento de manganês". O segundo método usou propriedades físicas calculadas derivadas desses ingredientes, como o tamanho médio dos átomos, a densidade do material e a proporção dos dois principais tipos de metais. Eles treinaram cinco tipos diferentes de algoritmos de computador com esses dados, dividindo a informação para que o computador aprendesse com a maioria dos exemplos e fosse testado com aqueles que ele nunca tinha visto antes. Essa abordagem permitiu que eles julgassem quão bem o computador conseguia adivinhar as propriedades de uma nova liga não vista.

Os resultados mostraram um vencedor claro em como descrever os ingredientes. O computador teve um desempenho significativamente melhor quando recebeu a simples lista de porcentagens de elementos em vez das propriedades físicas calculadas. Ao prever o tamanho da célula unitária do cristal — a pequena caixa que se repete para formar o metal — o modelo que utilizou as porcentagens de elementos foi extraordinariamente preciso. Um modelo linear simples, que busca relações de linha reta entre pontos de dados, alcançou uma pontuação de 0,955 no conjunto de teste, o que significa que ele podia prever o tamanho do cristal com altíssima precisão. Isso sugere que o tamanho do cristal é amplamente determinado por uma média direta dos tamanhos dos átomos dentro dele. Em contraste, os modelos que usaram as propriedades físicas mais complexas tiveram dificuldade em atingir o mesmo nível de precisão, indicando que esses números calculados podem esconder alguns dos detalhes específicos de que o computador precisa.

No entanto, a história foi diferente para as outras propriedades. Prever o calor liberado quando o hidrogênio é absorvido provou ser muito mais difícil. Mesmo os melhores modelos conseguiram capturar apenas cerca de metade da variação nos dados, sugerindo que o calor de absorção depende de fatores eletrônicos e estruturais sutis que uma simples lista de ingredientes não consegue explicar totalmente. A previsão da entropia, que mede a desordem ou aleatoriedade criada quando o hidrogênio entra no metal, foi a tarefa mais difícil de todas. A maioria dos modelos de computador teve um desempenho pior do que simplesmente adivinhar o valor médio para cada nova liga, indicando que os dados atuais não contêm informação suficiente para entender as vibrações e arranjos complexos que governam essa propriedade.

A pressão de equilíbrio, que é a força na qual o hidrogênio se acomoda confortavelmente dentro do metal, mostrou um sucesso moderado. O computador conseguiu prever esse valor razoavelmente bem, especialmente quando utilizou as porcentagens de elementos. Curiosamente, os pesquisadores encontraram uma forte ligação entre a pressão e o tamanho da célula do cristal: conforme a caixa do cristal aumentava, a pressão necessária para manter o hidrogênio diminuía. Isso faz sentido físico porque um espaço maior dentro do metal torna mais fácil para os átomos de hidrogênio se encaixarem, exigindo menos pressão para forçá-los para lá. O estudo conclui que, embora o aprendizado de máquina seja uma ferramenta poderosa para projetar esses materiais de armazenamento de hidrogênio, ele funciona melhor para propriedades estruturais como o tamanho. Para os comportamentos termodinâmicos mais complexos, como calor e desordem, os cientistas precisarão desenvolver maneiras mais inteligentes de descrever os materiais antes que os computadores possam prever de forma confiável. Este trabalho fornece um caminho claro a seguir, mostrando que conhecer a receita exata de uma liga é frequentemente mais útil do que conhecer seus traços físicos derivados ao tentar prever como ela armazenará energia.

Resumo Técnico: Predição por Aprendizado de Máquina de Propriedades de Sorção de Hidrogênio em Ligas de Fase Laves C14 Baseadas em Zr-Ti

Definição do Problema
O projeto de hidretos metálicos para armazenamento de hidrogênio em estado sólido e aplicações de baterias requer o controle preciso sobre propriedades termodinâmicas e estruturais. Especificamente, ligas $AB_2$ de fase Laves C14 baseadas em Zr-Ti são de grande interesse devido às suas altas capacidades de hidrogênio e propriedades de ativação. No entanto, determinar experimentalmente parâmetros chave de sorção de hidrogênio — como o volume da célula unitária ( $V_{14}$ ), a entalpia de absorção de hidrogênio ( $\Delta H$ ), a entropia de absorção de hidrogênio ( $\Delta S$ ) e a pressão de platô de equilíbrio ( $P_{eq}$ ) — é um processo que consome muitos recursos. Embora o aprendizado de máquina (ML) tenha sido aplicado à predição de hidretos metálicos, as bases de dados existentes são frequentemente desatualizadas, e os atributos de entrada ideais para prever propriedades específicas de fases Laves permanecem subexplorados. Este estudo aborda a necessidade de desenvolver modelos de ML robustos que predigam essas propriedades de sorção diretamente da composição química, comparando duas abordagens distintas de engenharia de atributos.

Metodologia
Os pesquisadores construíram um conjunto de dados curado compreendendo 244 entradas de ligas $AB_2$ baseadas em Zr-Ti, extraídas da literatura acadêmica. O conjunto de dados foi filtrado para incluir apenas ligas com fases Laves C14 identificadas, removendo entradas com apenas fases C15 ou variância insuficiente na composição elemental.

Duas categorias de variáveis independentes (atributos) foram sistematicamente comparadas:

Percentual Atômico de Elementos: Representação direta da composição química da liga.
Variáveis Baseadas em Propriedades: Descritores físicos derivados calculados a partir da composição, incluindo massa molar, densidade aparente, volume molar, razão de raio atômico, módulo de elasticidade volumétrico, densidade eletrônica e a razão de sítio B/A.

Cinco algoritmos de aprendizado de máquina foram avaliados: Regressão Linear Multivariada (LR), Floresta Aleatória (RF), Regressão Ridge, k-Vizinhos Mais Próximos (KNN) e Extreme Gradient Boosting (XGBoost). O fluxo de trabalho envolveu:

Pré-processamento: Remoção de elementos de baixa variância (ex: Ho, Sn, Al) e tratamento de altas correlações (ex: entre Ti e Zr, que foram mantidos devido ao seu papel crítico na substituição do sítio A). Os dados foram escalonados usando normalização Min-Max.
Seleção de Atributos: A seleção de atributos forward foi empregada para identificar os subconjuntos mais informativos de variáveis para cada alvo e algoritmo.
Treinamento e Validação do Modelo: O conjunto de dados foi dividido em 8 de treinamento e 20% de teste. O desempenho foi rigorosamente avaliado por meio de validação cruzada de 5 dobras (5-fold cross-validation).
Métricas de Avaliação: Os modelos foram avaliados com base no coeficiente de determinação ( $R^2$ ), Erro Médio Absoluto (MAE) e Raiz do Erro Quadrático Médio (RMSE).

Principais Resultados
O estudo produziu resultados de desempenho distintos dependendo da variável alvo e do tipo de atributo utilizado:

Volume da Célula Unitária ( $V_{14}$ ): Esta foi a variável predita com maior sucesso. Modelos utilizando atributos de percentual atômico de elementos superaram significativamente aqueles utilizando atributos baseados em propriedades. Notavelmente, um modelo simples de Regressão Linear alcançou a maior precisão no conjunto de teste com um $R^2$ de 0,955, superando métodos de conjunto complexos como XGBoost e RF. Isso sugere uma relação predominantemente linear entre a composição elemental e o volume da célula unitária. Em contraste, atributos baseados em propriedades resultaram em um $R^2$ de teste inferior de 0,670 para LR, embora o RF tenha alcançado 0,931.
Entalpia ( $\Delta H$ ) e Entropia ( $\Delta S$ ): A predição de propriedades termodinâmicas provou ser desafiadora.
- Para $\Delta H$ , o melhor $R^2$ de validação foi moderado, com 0,561 (RF com atributos baseados em propriedades) e 0,531 (KNN com atributos baseados em elementos).
- Para $\Delta S$ , o desempenho foi insatisfatório; a maioria dos modelos resultou em valores de $R^2$ de validação negativos, indicando que performaram pior do que uma simples predição pela média. O melhor $R^2$ de validação foi de apenas 0,218 (KNN com atributos baseados em elementos).
Pressão de Equilíbrio ( $P_{eq}$ ): Esta variável mostrou uma precisão de predição moderada. O melhor $R^2$ de validação atingiu 0,739 (alcançado tanto por KNN quanto por XGBoost usando atributos baseados em elementos). Um achado significativo foi a observação de uma correlação linear entre $P_{eq}$ e $V_{14}$ , consistente com a equação de van't Hoff, onde volumes maiores da célula unitária correlacionam-se com pressões de equilíbrio menores.

Contribuições e Significância
O artigo demonstra que o aprendizado de máquina pode acelerar efetivamente o projeto de ligas de armazenamento de hidrogênio $AB_2$ , particularmente para a predição de propriedades estruturais como o volume da célula unitária diretamente da composição química.

Eficácia dos Atributos: O estudo estabelece que os percentuais atômicos elementares brutos são superiores às propriedades físicas derivadas para prever $V_{14}$ , provavelmente porque fornecem uma representação mais granular das variações dependentes da composição.
Seleção de Algoritmo: Os resultados destacam que a complexidade do modelo nem sempre equivale a um melhor desempenho; para a predição de $V_{14}$ , modelos lineares superaram métodos de conjunto não lineares, sugerindo que a física subjacente é amplamente linear em relação aos raios atômicos.
Limitações e Direções Futuras: Os autores concluem modestamente que, embora as propriedades estruturais sejam previsíveis, as propriedades termodinâmicas ( $\Delta H$ , $\Delta S$ ) permanecem difíceis de modelar com os descritores atuais. A baixa precisão para a entropia sugere que os atuais descritores de propriedades de volume falham em capturar as complexas contribuições configuracionais, vibracionais e eletrônicas que regem esses valores. O artigo postula que uma engenharia de atributos mais avançada é necessária para melhorar a predição das propriedades de sorção termodinâmica.

Em resumo, este trabalho valida a utilidade de abordagens baseadas em dados para a triagem rápida de ligas de fase Laves baseadas em Zr-Ti, oferecendo um caminho confiável para a predição de parâmetros estruturais, ao mesmo tempo em que identifica lacunas específicas nos conjuntos de atributos atuais para a predição termodinâmica.

Mais como este