Questa innovazione potrebbe accelerare l'adozione del metano come alternativa più ecologica alla benzina. Nonostante il metano abbia una densità energetica superiore e un'impronta di carbonio del 25% inferiore rispetto alla benzina, il suo stoccaggio è sempre stato problematico a causa dello stato gassoso a temperatura ambiente. Finora era necessario utilizzare pesanti serbatoi pressurizzati o temperature criogeniche.
Le strutture organiche covalenti (COF), materiali leggeri e altamente porosi, sono state recentemente esplorate come metodo alternativo di stoccaggio che funziona facendo aderire il metano alle loro superfici. Tuttavia, l'enorme numero di possibili configurazioni ha reso difficile l'identificazione delle COF più promettenti attraverso i tradizionali screening computazionali ad alto throughput.
Il nuovo metodo sviluppato dai ricercatori genera equazioni matematiche interpretabili che predicono la capacità di stoccaggio del metano con un'accuratezza molto elevata, con un errore medio assoluto percentuale di solo il 4,2%. "Dando priorità a caratteristiche fisiche, significative e misurabili, abbiamo reso più facile per gli sperimentatori applicare direttamente questi modelli", ha spiegato Alauddin Ahmed, ricercatore associato di ingegneria meccanica all'Università del Michigan e autore corrispondente dello studio.
Identificazione rapida di materiali promettenti
I modelli ad alta fedeltà hanno identificato centinaia di COF con prestazioni superiori, inclusi alcuni che soddisfano gli obiettivi del Dipartimento dell'Energia degli Stati Uniti per lo stoccaggio del metano. Questo approccio consente ai ricercatori di identificare rapidamente materiali promettenti senza dover ricorrere a simulazioni costose e dispendiose in termini di tempo.
Lo studio ha valutato 84.800 potenziali COF, segnando la prima applicazione della regressione simbolica a un set di dati così ampio. Un flusso di lavoro computazionale multistadio ha reso possibile questo risultato, riducendo le richieste computazionali identificando sottoinsiemi rappresentativi di set di dati più grandi.
"Ci aspettavamo che i modelli di regressione simbolica faticassero con la complessità del set di dati, data la sua dimensione e la natura diversificata delle COF. Ciò che ci ha sorpreso è stata l'efficacia della strategia multistadio", ha commentato Ahmed.
Potenziali applicazioni future
L'approccio multistadio offre anche flessibilità, consentendo alle equazioni di evolvere man mano che diventano disponibili nuovi dati. L'adattabilità del modello fornisce un framework scalabile per l'ottimizzazione di adsorbenti allo stato solido come le COF o altre aree come lo stoccaggio di energia rinnovabile, le celle a combustibile e le batterie avanzate.
La combinazione di machine learning e regressione simbolica potrebbe essere adattata anche ad altri domini come la catalisi, i prodotti farmaceutici o qualsiasi campo che coinvolga una relazione complessa tra la struttura di un materiale e le sue proprietà.
In linea con i principi della scienza aperta, tutti i set di dati utilizzati in questa ricerca sono disponibili pubblicamente sul repository Zenodo. Lo studio ha utilizzato software open source come RASPA e SISSO per le simulazioni e la regressione simbolica.