DOI: https://doi.org/10.1038/s41598-025-09654-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41484161
تاريخ النشر: 2026-01-02
المؤلف: P Anbumani وآخرون
الموضوع الرئيسي: الأطر العضوية المعدنية: التركيب والتطبيقات
نظرة عامة
تتناول البحث التوازن بين سعات تخزين الهيدروجين الوزن والحجم في الأطر العضوية المعدنية (MOFs)، مما يعيق تطبيقها التجاري. من الجدير بالذكر أنه بينما تظهر الأطر العضوية المعدنية القياسية مثل MOF-5 وIRMOF-20 وPCN-610 أداءً فعالًا عند درجات حرارة منخفضة (77 ك)، فإن فعاليتها عند درجة حرارة الغرفة (298 ك) أقل موثوقية. للتغلب على هذه القيود، طور المؤلفون إطار عمل لتحسين سرب الجسيمات متعدد الأهداف (MOPSO)، باستخدام التنبؤات من أشجار الغابات العشوائية المعاد تشكيلها (B-RFT) لتحديد الأطر العضوية المعدنية الواعدة لتخزين الهيدروجين. أنتج هذا النهج 152 مجموعة ميزات نظرية للأطر العضوية المعدنية، والتي تم مقارنتها بقاعدة بيانات تحتوي على 733,792 هيكلًا موجودًا، مما أدى إلى تحديد 43 مرشحًا واعدًا.
من بين هذه، تم تسليط الضوء على MOF-2087 القائم على الزنك كأفضل أداء، حيث أظهر قدرات تخزين هيدروجين مستقرة عبر درجات حرارة مختلفة. أشارت محاكاة مونت كارلو العامة إلى امتصاص هيدروجين مرتفع بنسبة 5.3 wt.% و7.4 gH₂ L⁻¹ عند 298 ك، بينما حددت محاكاة الديناميكا الجزيئية تجمعات C والمواقع المعدنية كمراكز امتصاص حاسمة. تؤكد النتائج فعالية إطار العمل الهجين B-RFT-MOPSO في تحسين الأطر العضوية المعدنية لتخزين الهيدروجين، حيث يمثل MOF-2087 توازنًا مثاليًا بين السعات الوزن والحجم. علاوة على ذلك، فإن المنهجية لها تطبيقات محتملة في سيناريوهات تخزين الغاز الأخرى، مثل الميثان، من خلال تعديل نموذج B-RFT مع مجموعات البيانات ذات الصلة.
مقدمة
تسلط المقدمة الضوء على أهمية تطوير أنظمة تخزين هيدروجين فعالة للنقل المستدام، مع التأكيد على مزايا الأطر العضوية المعدنية (MOFs) مقارنة بأسطوانات الضغط العالي التقليدية من النوع الرابع. يمكن للأطر العضوية المعدنية تخزين الهيدروجين عند ضغوط أقل بسبب مساحاتها السطحية العالية، وخصائصها القابلة للتعديل، وقدرات تخزين الغاز القابلة للعكس. تشمل العوامل الرئيسية التي تؤثر على تخزين الهيدروجين في الأطر العضوية المعدنية درجة الحرارة، والضغط، وهندسة المسام، وكثافة البلورة، وحرارة الامتصاص. على الرغم من إمكانياتها، لا يزال تحديد الأطر العضوية المعدنية القابلة للتطبيق تجاريًا ذات الخصائص المثلى يمثل تحديًا كبيرًا.
لمعالجة هذه التعقيدات، استخدم الباحثون طرق الفحص الحسابية مثل نظرية الكثافة الوظيفية عالية الإنتاجية ومحاكيات مونت كارلو العامة عالية الإنتاجية (HT-GCMC). ومع ذلك، بسبب التكاليف الحسابية العالية المرتبطة بهذه الطرق، ظهرت أساليب التعلم الآلي (ML) كبدائل فعالة للتنبؤ بأداء الأطر العضوية المعدنية. يمكن لهذه النماذج ML تقييم قدرات تخزين الهيدروجين بسرعة لمختلف مرشحي الأطر العضوية المعدنية، على الرغم من أنها تعتمد على الهياكل القياسية الكلاسيكية مثل MOF-5 لمقارنة الأداء. من الجدير بالذكر أن أحمد وآخرون حددوا IRMOF-20 وPCN-610 كأفضل الأطر العضوية المعدنية أداءً عند مقارنة أدائها في تخزين الهيدروجين عند 77 ك مقابل MOF-5. تشير المقدمة أيضًا إلى المواد التكميلية التي تلخص نماذج ML الحديثة وقدرات امتصاص الهيدروجين الوزن والحجم للأطر العضوية المعدنية المقياس.
طرق
تحدد قسم الطرق التصميم التجريبي والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث تم استخدام التحليلات الإحصائية لتقييم البيانات المجمعة من تجارب مختلفة. شملت المنهجيات المحددة استخدام تجارب محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة آثارها على النتائج ذات الصلة.
تم تحليل البيانات باستخدام برامج إحصائية قياسية، مع تحديد مستويات الدلالة عند p < 0.05. استخدم الباحثون تحليل الانحدار لتحديد العلاقات بين المتغيرات، مع ضمان أخذ العوامل المربكة في الاعتبار. بالإضافة إلى ذلك، دمجت الدراسة استراتيجية أخذ عينات قوية لتعزيز إمكانية تعميم النتائج، مع حجم عينة محدد بوضوح تم حسابه بناءً على تحليل القوة. بشكل عام، تم تصميم الطرق لضمان الصرامة وقابلية التكرار في النتائج التي تم الحصول عليها.
نتائج
في هذا القسم، يصف المؤلفون تنفيذ استراتيجية فحص قائمة على التحسين باستخدام مجموعة بيانات تحتوي على 733,792 إطارًا عضويًا معدنيًا مفتوح المصدر (MOFs) تم الحصول عليها من مركز بيانات HyMARC، المشار إليه باسم “قاعدة البيانات العالمية”. تم تطوير نموذج B-RFT للتنبؤ بكل من سعات تخزين الهيدروجين الوزن والحجم بناءً على الميزات البلورية للأطر العضوية المعدنية. بعد إجراء ضبط المعلمات الفائقة والتحقق، تم دمج النموذج في إطار عمل تحسين سرب الجسيمات متعدد الأهداف (MOPSO) لتحديد ميزات التصميم المثلى.
تم تقييم أفضل إطار عضوي معدني تم تحديده بواسطة النموذج من خلال محاكاة مونت كارلو العامة (GCMC) ومحاكاة الديناميكا الجزيئية (MD). يشير المؤلفون إلى أن الأقسام التالية ستتوسع في تطوير النموذج، وعملية التحسين، وتقييم الأداء للأطر العضوية المعدنية المحددة.
مناقشة
في هذا القسم المناقشة، يتناول المؤلفون قيود الأطر العضوية المعدنية الحالية (MOFs) في تحقيق أهداف تخزين الهيدروجين التابعة لوزارة الطاقة الأمريكية، خاصة تحت ظروف التشغيل التي تتراوح من -40 ºC إلى 60 ºC. يبرزون أنه بينما ركزت الدراسات السابقة على تحسين ميزات بلورية فردية، مثل المساحة السطحية وحجم المسام، فإن نهجًا أكثر شمولية ضروري. من الجدير بالذكر أن التوازن بين سعات تخزين الهيدروجين الوزن والحجم يتم التأكيد عليه، حيث يبقى تحقيق هذا التوازن تحديًا، خاصة عند درجات الحرارة المرتفعة. يقترح المؤلفون أن المنهجيات القائمة على التحسين، مثل تحسين بايزي والخوارزميات التطورية، يمكن أن تساعد في تحديد الأطر العضوية المعدنية التي تلبي الأهداف الوزن والحجم في الوقت نفسه.
تناقش القسم أيضًا تطوير نموذج شجرة الغابات العشوائية المعاد تشكيلها (B-RFT) للتنبؤ بأداء تخزين الهيدروجين بناءً على مجموعة بيانات شاملة من الأطر العضوية المعدنية. تكشف تحليلات الحساسية أن دقة النموذج تتحسن بشكل كبير مع مجموعات بيانات تدريب أكبر، مع تحقيق الأداء الأمثل باستخدام 75% من البيانات. يقدم المؤلفون أيضًا نتائج من إطار عمل B-RFT-MOPSO للتحسين، والذي يحدد 152 ميزة غير مهيمنة للأطر العضوية المعدنية التي توفر توازنًا قابلاً للتطبيق بين سعات تخزين الهيدروجين. تختتم الدراسة بتحديد MOF-2087 كأفضل مرشح عالمي، مع عرض خصائصه الهيكلية وآليات تخزين الهيدروجين، والتي تشمل تفاعلات قوية بين الهيدروجين وذرات المضيف المحددة، خاصة عند درجات الحرارة المنخفضة.
DOI: https://doi.org/10.1038/s41598-025-09654-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41484161
Publication Date: 2026-01-02
Author(s): P Anbumani et al.
Primary Topic: Metal-Organic Frameworks: Synthesis and Applications
Overview
The research addresses the tradeoff between gravimetric and volumetric hydrogen storage capacities in metal-organic frameworks (MOFs), which hampers their commercial application. Notably, while benchmark MOFs like MOF-5, IRMOF-20, and PCN-610 demonstrate effective performance at cryogenic temperatures (77 K), their efficacy at room temperature (298 K) is less reliable. To overcome this limitation, the authors developed a multi-objective particle swarm optimization (MOPSO) framework, utilizing predictions from bootstrapped random forest trees (B-RFT) to identify promising MOFs for hydrogen storage. This approach generated 152 theoretical MOF feature combinations, which were compared against a database of 733,792 existing structures, leading to the identification of 43 promising candidates.
Among these, Zn-based MOF-2087 was highlighted as the top performer, demonstrating stable hydrogen storage capabilities across varying temperatures. Grand Canonical Monte Carlo simulations indicated a high hydrogen uptake of 5.3 wt.% and 7.4 gH₂ L⁻¹ at 298 K, while molecular dynamics simulations identified C-clusters and metal sites as critical adsorption centers. The findings underscore the efficacy of the B-RFT-MOPSO hybrid framework in optimizing MOFs for hydrogen storage, with MOF-2087 exemplifying an optimal balance between gravimetric and volumetric capacities. Furthermore, the methodology has potential applications in other gas storage scenarios, such as methane, by adapting the B-RFT model with relevant datasets.
Introduction
The introduction highlights the importance of developing efficient hydrogen storage systems for sustainable transportation, emphasizing the advantages of metal-organic frameworks (MOFs) over traditional high-pressure Type-IV cylinders. MOFs can store hydrogen at lower pressures due to their high surface areas, tunable properties, and reversible gas storage capabilities. Key factors affecting hydrogen storage in MOFs include temperature, pressure, pore geometry, crystal density, and heat of adsorption. Despite their potential, identifying commercially viable MOFs with optimal characteristics remains a significant challenge.
To tackle this complexity, researchers have employed computational screening methods such as high-throughput density functional theory and high-throughput grand canonical Monte Carlo (HT-GCMC) simulations. However, due to the high computational costs associated with these methods, machine learning (ML) approaches have emerged as efficient alternatives for predicting MOF performance. These ML models can quickly assess the hydrogen storage capabilities of various MOF candidates, although they rely on classical benchmark structures like MOF-5 for performance comparison. Notably, Ahamed et al. identified IRMOF-20 and PCN-610 as top-performing MOFs when comparing their hydrogen storage performance at 77 K against MOF-5. The introduction also references supplementary materials that summarize recent ML models and benchmarked MOFs’ gravimetric and volumetric hydrogen uptake.
Methods
The Methods section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, employing statistical analyses to evaluate the data collected from various experiments. Specific methodologies included the use of controlled trials, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data were analyzed using standard statistical software, with significance levels set at p < 0.05. The researchers employed regression analysis to determine relationships between variables, ensuring that confounding factors were accounted for. Additionally, the study incorporated a robust sampling strategy to enhance the generalizability of the findings, with a clearly defined sample size calculated based on power analysis. Overall, the methods were designed to ensure rigor and reproducibility in the results obtained.
Results
In this section, the authors describe the implementation of an optimization-based screening strategy utilizing a dataset of 733,792 open-source metal-organic frameworks (MOFs) sourced from the HyMARC data hub, referred to as the ‘global database.’ The B-RFT model was developed to predict both gravimetric and volumetric hydrogen storage capacities based on crystallographic features of the MOFs. After conducting hyperparameter tuning and validation, the model was integrated into a Multi-Objective Particle Swarm Optimization (MOPSO) framework to identify optimal design features.
The evaluation of the top-performing MOF identified by the model was conducted through Grand Canonical Monte Carlo (GCMC) and Molecular Dynamics (MD) simulations. The authors indicate that subsequent sections will elaborate on the model development, the optimization process, and the performance evaluation of the identified MOFs.
Discussion
In this discussion section, the authors address the limitations of current metal-organic frameworks (MOFs) in meeting the U.S. Department of Energy’s hydrogen storage targets, particularly under operational conditions ranging from -40 ºC to 60 ºC. They highlight that while previous studies have focused on optimizing individual crystallographic features, such as surface area and pore volume, a more holistic approach is necessary. Notably, the balance between gravimetric and volumetric hydrogen storage capacities is emphasized, as achieving this balance remains challenging, especially at elevated temperatures. The authors propose that optimization-based methodologies, such as Bayesian optimization and evolutionary algorithms, can help identify MOFs that meet both gravimetric and volumetric targets simultaneously.
The section further discusses the development of a bootstrap-random forest tree (B-RFT) model to predict hydrogen storage performance based on a comprehensive dataset of MOFs. Sensitivity analyses reveal that the model’s accuracy improves significantly with larger training datasets, with optimal performance achieved using 75% of the data. The authors also present findings from the B-RFT-MOPSO optimization framework, which identifies 152 non-dominated MOF features that provide a feasible trade-off between hydrogen storage capacities. The study concludes with the identification of MOF-2087 as the global best candidate, showcasing its structural characteristics and hydrogen storage mechanisms, which include strong interactions between hydrogen and specific host atoms, particularly at lower temperatures.