Optimización de materiales para el almacenamiento de hidrógeno mediante modelos de aprendizaje automático

Abstract

El hidrogeno es un vector energético prometedor para una transición hacia fuentes sostenibles, pero su almacenamiento eficiente sigue siendo un desafío. Este trabajo aplica tecnicas de aprendizaje automatico para modelar y predecir la capacidad de almacenamiento de hidrógeno en materiales porosos tipo MOFs (Metal-Organic Frameworks), a partir de propiedades como densidad, porosidad y area superficial. Se emplean modelos de regresión como Ridge, LASSO y Random Forest, y se evalua su desempeño mediante validación cruzada. Además, se exploran estrategias para la generacion de nuevos candidatos mediante interpolación y simulación. Los resultados evidencian la capacidad de los modelos para identificar materiales con propiedades prometedoras y facilitar la busqueda de compuestos óptimos para aplicaciones energéticas.

Hydrogen is a promising energy vector in the transition to sustainable sources, although its efficient storage remains a challenge. This work applies machine learning techniques to model and predict the hydrogen storage capacity of porous materials known as MOFs (MetalOrganic Frameworks), using features such as density, porosity, and surface area. Regression models including Ridge, LASSO, and Random Forest are used and evaluated through crossvalidation. Additionally, strategies for generating new candidate materials through interpolation and simulation are explored. The results highlight the models’ ability to identify promising materials and support the discovery of optimal compounds for energy applications.