Un outil d’IA peut aider à optimiser les solutions de stockage de méthane
Une nouvelle approche exploite l’apprentissage automatique pour rechercher des matériaux permettant de stocker le méthane, contribuant ainsi à accélérer l’adoption du méthane comme carburant alternatif plus propre pour les véhicules. L’étude menée par l’Université du Michigan est publiée dans Documents d’examen physique.
Bien que le méthane présente une densité énergétique plus élevée et une empreinte carbone 25 % inférieure à celle de l’essence, il reste un gaz à température ambiante, ce qui le rend difficile à stocker. Jusqu’à présent, le méthane était stocké dans des réservoirs lourds et hautement pressurisés ou à des températures cryogéniques, empêchant son adoption pratique comme carburant alternatif.
Récemment, les structures organiques covalentes (COF), une classe de matériaux légers et hautement poreux, ont été explorées comme méthode de stockage alternative qui fonctionne en adhérant au méthane à leurs surfaces. Bien que le criblage informatique à haut débit ait identifié des COF potentiels, le grand volume de possibilités et la nécessité de simulations approfondies limitent les progrès.
« Le besoin pressant de solutions énergétiques plus propres me motive à développer des outils innovants, accessibles et efficaces pour optimiser les matériaux de stockage du méthane », a déclaré Alauddin Ahmed, chercheur associé en génie mécanique à l’UM et auteur correspondant de l’étude.
La nouvelle approche combine l’apprentissage automatique et la régression symbolique, un type d’analyse qui recherche la meilleure équation mathématique pour décrire un ensemble de données observées. Les équations résultantes, facilement interprétables, ont prédit la capacité de stockage du méthane avec une grande précision avec un pourcentage d’erreur absolu moyen de 4,2 %.
« En donnant la priorité aux caractéristiques physiques, significatives et mesurables, nous avons facilité l’application directe de ces modèles par les expérimentateurs, permettant ainsi une participation plus large dans le domaine et accélérant le développement de matériaux hautes performances », a déclaré Ahmed.
Les modèles haute fidélité ont identifié des centaines de COF dotés de performances supérieures, dont certains répondent aux objectifs du département américain de l’Énergie en matière de stockage du méthane.
Comblant le fossé entre la découverte informatique de matériaux et leur application pratique, les modèles permettent aux chercheurs d’identifier rapidement des matériaux de stockage de méthane prometteurs sans recourir à des simulations coûteuses et chronophages.
Cette étude a évalué 84 800 COF potentiels, marquant la première application de la régression symbolique à un ensemble de données à grande échelle. Un flux de travail informatique en plusieurs étapes a rendu cet exploit possible, réduisant les exigences de calcul en identifiant des sous-ensembles représentatifs d’ensembles de données plus volumineux (par exemple, 400 COF) pour la régression symbolique.
« Nous nous attendions à ce que les modèles de régression symbolique aient du mal à gérer la complexité de l’ensemble de données, compte tenu de sa taille et de la nature diversifiée des COF. Ce qui nous a surpris, c’est l’efficacité avec laquelle la stratégie en plusieurs étapes a fonctionné, permettant à l’algorithme de dériver des équations interprétables qui ont maintenu une précision prédictive élevée même sur des données invisibles », a déclaré Ahmed.
L’approche en plusieurs étapes apporte également de la flexibilité, permettant aux équations d’évoluer à mesure que de nouvelles données deviennent disponibles. L’adaptabilité du modèle offre un cadre évolutif pour optimiser les adsorbants à l’état solide comme les COF ou d’autres domaines comme le stockage d’énergie renouvelable, les piles à combustible et les batteries avancées.
La combinaison de l’apprentissage automatique et de la régression symbolique pourrait également être adaptée à d’autres domaines tels que la catalyse, la pharmacie ou tout autre domaine impliquant une relation complexe entre la structure d’un matériau et ses propriétés.
Dans un engagement en faveur de la science ouverte, tous les ensembles de données utilisés dans cette recherche sont accessibles au public sur le référentiel Zenodo. La recherche a utilisé des logiciels open source comme RASPA et SISSO pour les simulations et la régression symbolique.
