论文标题：Toward intelligent design of solid-state hydrogen storage: trends, challenges, and machine learning insights

期刊：ENGINEERING Chemical Engineering

作者：Wenfeng Fu, Yanxin Li, Xiaojin Yang, Junwei Zhao, Tongao Yao, Shuai Dong, Zhengyang Gao, Weijie Yang

发表时间：14 Jan 2026

DOI：10.1007/s11705-026-2649-3

微信链接：点击此处阅读微信文章

文章信息

文章题目

Toward intelligent design of solid-state hydrogen storage: trends, challenges, and machine learning insights

文章来源

Wenfeng Fu, Yanxin Li, Xiaojin Yang, Junwei Zhao, Tongao Yao, Shuai Dong, Zhengyang Gao, Weijie Yang. Toward intelligent design of solid-state hydrogen storage: trends, challenges, and machine learning insights. ENG. Chem. Eng., 2026, 20(4): 25 DOI:10.1007/s11705-026-2649-3

研究背景

固态储氢因安全、高容量、可逆等优势，被公认为氢能规模化利用的重要方向，但其发展仍受热力学、动力学与结构等复杂的约束限制。华北电力大学杨维结团队在Eng. Chem. Eng.发表综述指出，大数据与机器学习正重塑固态储氢研究范式。首先，基于Digital Hydrogen-S平台的数据分析，明确了材料发展趋势与核心瓶颈，发现现有材料在储氢容量、工作温区、压力等关键指标上普遍未达到美国能源部（DOE）目标。其次，数据驱动方法可显著加速性能预测、高通量筛选与逆向设计，与高通量计算、实验验证结合正形成智能闭环研发体系。最后，神经网络势函数（neural network potentials, NNPs）能以接近第一性原理的精度描述氢的吸附、解离与扩散，但仍面临长程相互作用与模型泛化性挑战。展望未来，构建开放多模态数据库（数值、文本、谱图、图像）、研发多模态大模型、推进逆向设计、建立可描述完整吸放氢循环的通用神经网络势函数，是实现固态储氢材料智能化、实用化开发的关键路径。

综述亮点

聚焦固态储氢智能设计的三大关键方向

Digital Hydrogen-S 平台揭示材料发展趋势与 DOE 目标差距

该平台整合 1000 余篇文献、3000 余种材料、超 25.4 万条记录，覆盖 Mg 基氢化物、AB5合金、高熵合金、硼氢化物、MOFs 等十大类储氢材料。经 K-means 聚类分析，现有材料与美国能源部（DOE）车载储氢目标（储氢量 5.5~6.5 wt%、输送温度 –40~85 ℃、输送压力 5~12 bar）存在系统性差距：V-Ti-Cr 合金储氢容量不足，Mg-RE-Ni 合金工作温度过高，Ti-Fe/Ti-Mn 合金工作压力超标，同时数据分布不均衡引发分布外（OOD）问题，导致机器学习模型在数据稀疏区域的预测可靠性大幅下降。

机器学习推动从性能预测到逆向设计的突破

将SVM、RF、GBDT、GNN 等算法应用于储氢容量预测，部分研究中决定系数 R2可达 0.98，计算速度较第一性原理计算提升 3~4 个数量级。逆向设计成为核心突破点：FIND 平台采用变分自编码器实现 “性能→成分” 的反向映射，发掘出 27 种 Mg-Ni-La-Ce 候选合金；生成对抗网络（GAN）成功设计了二维 MgH2新材料，结构验证率达 96.8%。此外，高熵合金的帕累托前沿优化、MOFs 材料高通量筛选与实验验证（V 基 MOF 储氢量达 9.0 wt%），标志着机器学习正从 “性能预测” 向 “材料创造” 延伸。进一步，Cat-Advisor 平台将大语言模型、文献数据自动提取、机器学习预测和遗传算法逆向设计相结合，面向 MgH2 脱氢催化剂实现了从文献挖掘、性能预测到候选催化剂推荐的智能化流程。该类 LLM-to-Agent 框架表明，固态储氢材料研究正在从单一模型预测走向数据驱动和多智能体协同的智能设计平台。

神经网络势（NNPs）深入解析储氢微观机制

NNP 以密度泛函理论（DFT）数据训练，兼具近第一性原理精度与低计算成本的优势。E(3) 等变神经网络可精准预测 H₂在 Cu 多晶面的解离吸附过程；Behler-Parrinello 型 NNP 完整揭示了 MgH₂(110) 表面脱氢序列，即亚表面分子氢形成、滞留、迁移至最终脱附的完整过程。

结论与展望

当前领域已构建 “高通量计算-机器学习预测-实验验证-数据反馈” 的研发闭环，LLM-to-Agent 框架将文献挖掘效率提升 40 倍，但仍面临数据库规模不足、模型可解释性差、逆向设计能力薄弱、NNP 迁移性受限等核心挑战。未来研究需聚焦四大方向：搭建开放共享的多模态数据库，研发融合实验、计算与数据驱动的多模态基础模型，深化材料逆向设计研究，构建可覆盖完整吸放氢循环的通用神经网络势，推动固态储氢材料从实验室研究加速走向工程化应用。

亮图解读

▲ 图1 Digital Hydrogen-S数据平台。(a) 平台首页展示了容量-温度散点分布、文献时间分布与材料分布；(b) 以DOI为中心的三层架构，整合基本信息、制备技术/改性信息/曲线文件、PCT/活化能/DSC等性能参数，实现多模态数据结构化整合。

▲ 图3 K-means聚类揭示材料与DOE目标差距。三维聚类将材料分为三类：蓝色Cluster 0（V-Ti-Cr基，容量低）、绿色Cluster 1（Mg-RE-Ni，温度高）、粉色Cluster 2（Ti-Fe/Ti-Mn，压强高）。虚线椭圆：“Target”区域几乎空白，直观呈现当前材料与实用化目标的系统性偏离。

▲ 图8 FIND逆向设计平台。(a) 页面展示了平台的正向预测功能；(b) 基于变分自编码器（VAE）的储氢合金逆向设计框架，可实现由目标性能到候选成分的反向搜索；（c）结合遗传算法优化，FIND 识别出 27 种潜在 Mg-Ni-La-Ce 优化合金，拓展了可探索的性能空间；(d) t-SNE 降维展示 LaNi5-xMx 合金在 298 K 下的数据分布，Al 掺杂样本位于训练数据较密集区域，预测误差较低，Pt /Au 掺杂样本偏离较大，误差更高，提示数据分布差异会影响模型预测可靠性。该图体现了机器学习从“性能预测”向“目标导向材料发现”的拓展。

▲ 图11 LLM-to-Agent 框架与 Cat-Advisor 催化剂设计平台。(a) 展示了面向 MgH2 脱氢催化剂设计的智能工作流：大语言模型负责从文献中自动提取数据，机器学习模型预测起始脱氢温度和活化能，遗传算法进一步搜索潜在高性能催化剂，微调大语言模型与知识库则支撑 Cat-Advisor 的问答和设计建议功能；(b) LLM 辅助流程将数据处理时间缩短为人工整理的1/40；(c) 用桑基图呈现不同催化剂类别与脱氢温度、活化能之间的关系，反映了不同催化剂体系的性能分布；（d）遗传算法筛选候选材料在性能空间中的位置，说明该框架能够从已有数据中进一步搜索低脱氢温度、低活化能的潜在催化剂。

作者简介

第一作者

付文锋，男，1982年生，汉族，河北唐山人，副教授，硕士生导师。毕业于华北电力大学能源动力与机械工程学院，工学博士，Illinois State Geological Survey，University of Illinois at Urbana-Champaign访问学者。主要研究方向为多能互补系统集成优化与仿真，主讲“热力发电厂”、“氢能系统及应用”等课程。主持1项国家自然基金和多项横向项目。

通讯作者

杨维结，男，1990年生，汉族，河北唐山人，华北电力大学氢能科学与工程教研室主任。研究方向为“机理-数据”双驱动的氢储能材料设计与装备研发，包括Digital Hydron-S固态储氢数据库、储氢合金正逆设计平台FIND、MgH2脱氢催化剂设计平台Cat-MH等。目前，以第一/通讯共发表90余篇，包括6篇封面论文，Google学术总被引8000余次，H指数50。入选斯坦福大学评选的Top 2% Scientists Worldwide榜单（2022~2025年），2025年科睿唯安全球高被引学者榜单。获得2023年中国检验检测学会科学技术进步二等奖《储氢系统关键检测技术研究及标准化》（排名3/15）。担任AI Agent期刊副主编。

免费全文