$VideoContentTcplayer$
  • 采购项目
  • 配套企业库
  • 销量查询
  • 盖世汽车社区
  • 盖世大学堂
  • 盖亚系统
  • 盖世汽车APP
  • urope-Asia Automobile Innovation Forum
  • 2025第七届金辑奖评选
  • 各国产业概览
  • 2025第五届未来汽车AI计算大会
  • 2025第五届汽车芯片产业大会
当前位置:首页 > 新能源 > 正文

密歇根大学开发优化甲烷存储的新方法 以实现更清洁的汽车替代燃料

盖世汽车 Elisha 2025-01-13 11:27:46
核心提示:研究人员开发出新方法,利用机器学习来寻找可以存储甲烷的材料。

盖世汽车讯 据外媒报道,在由密歇根大学(University of Michigan)领导的一项研究中,研究人员开发出新方法,利用机器学习来寻找可以存储甲烷的材料。这将有助于加速将甲烷用作更清洁的汽车替代燃料。

密歇根大学开发优化甲烷存储的新方法 以实现更清洁的汽车替代燃料

(图片来源:密歇根大学)

与汽油相比,甲烷的能量密度更高,碳足迹低25%,但它在室温下是气体状态,难以进行储存。目前为止,甲烷一直被储存在重型高压罐中或低温温度下。这使其实际用作燃料替代品受到阻碍。最近,人们探索将共价有机框架(COF,一类轻量化多孔材料)作为替代存储方法,其工作原理是使甲烷附着在这种材料的表面。虽然研究人员已经通过高通量计算筛选确定了潜在COF,但大量的可能性和对广泛仿真的需求使其发展受限。密歇根大学机械工程学副研究员Alauddin Ahmed表示:“人们对更清洁的能源解决方案的需求日益迫切。这促使我开发创新、易用且高效的工具,以优化甲烷存储材料。”

新方法将机器学习与符号回归(symbolic regression)相结合,符号回归是一种寻找最佳数学方程来描述观测数据集的分析类型。由此产生易于解释的方程式,可以高精度预测甲烷存储容量,其平均绝对百分比误差为4.2%。Ahmed表示:“通过优先考虑物理、有意义和可测量的特征,我们使实验者更容易直接应用这些模型,从而能够更广泛地参与该领域,并加速开发高性能材料。”

这些高保真模型识别出数百种性能优异的COF,其中一些达到美国能源部(U.S. Department of Energy)的甲烷存储目标。这些模型弥合了计算材料发现与实际应用之间的差距,使研究人员能够快速识别有前景的甲烷存储材料,而不必依赖昂贵且耗时的仿真。

这项研究评估了84800种潜在COF,标志着符号回归首次应用于大型数据集。这受益于多阶段计算工作流程,通过识别较大数据集(例如400种COF)的代表性子集来进行符号回归,从而减少计算需求。Ahmed表示:“考虑到数据集的大小和COF多样性,研究人员预计符号回归模型可能难以应对数据集的复杂性。令人惊讶的是,这一多阶段策略的工作效率非常高,使算法能够推导出可解释的方程,即使在看不见的数据上也能保持高预测精度。”

该多阶段方法还具有灵活性,允许方程随着新数据的出现而演变。这种模型的适应性为优化固态吸附剂(如COF)或其他领域(如可再生储能、燃料电池和先进电池等)提供了可扩展框架。该机器学习和符号回归组合也可以进行调整以适应其他领域,如催化、制药或各种涉及材料结构及其性质之间复杂关系的领域。

为了实现开放式科学,这项研究中使用的所有数据集均可在Zenodo存储库中公开获取。此研究使用RASPA和SISSO等开源软件进行仿真和符号回归。

乘用车电气化市场与技术分析月刊

*特别声明:本文为技术类文章,禁止转载或大篇幅摘录!违规转载,法律必究。

本文地址:https://auto.gasgoo.com/news/202501/13I70416046C501.shtml

 ;
0

好文章,需要你的鼓励

微信扫一扫分享该文章