找到 1 条结果
利用机器学习对金属-有机框架材料进行从材料到系统的宽范围筛选以用于氢气储存
Broad range material-to-system screening of metal–organic frameworks for hydrogen storage using machine learning
Xinyi Wang · Hanna M.Breunig · Peng Peng · Applied Energy · 2025年1月 · Vol.383
摘要 氢气在向可持续能源系统转型过程中起着关键作用,在发电和工业应用中具有重要地位。金属-有机框架材料(MOFs)已成为高效氢气储存的有前景的介质。然而,由于目前已合成的MOF种类极为庞大,筛选出具备实际应用潜力的候选材料仍具挑战性。本研究结合分子模拟、机器学习与技术经济分析,评估了MOFs在广泛运行条件下用于氢气储存的综合性能。以往对MOF数据库的筛选主要关注低温条件下高氢吸附容量的材料,而本研究发现,实现成本最小化的最优温度和压力取决于MOF的原材料价格。具体而言,当MOF的价格为15美元/...
解读: 该MOF氢储能研究对阳光电源储能系统具有前瞻价值。研究揭示的机器学习筛选方法可借鉴于ST系列储能系统的热管理优化,特别是170-250K温区的成本最优化思路可应用于PowerTitan液冷系统设计。高比表面积材料特性分析为未来氢储能与光伏耦合系统提供技术路径,iSolarCloud平台可集成氢储能预...