Bor Esaslı Bileşiklerde Hidrojen Depolamanın Makine Öğrenmesi Algoritmaleri İle Analizi

Abstract

Hidrojen, 140 MJ/kg enerji yoğunluğuna sahip olmasıyla gelecekte enerji taşıyıcı olarak kullanılmaya uygun olan bir alternatif olarak görülmektedir. Literatürde birçok yöntem çalışılmış olsa da bu konuda en etkili yöntemin ne olduğu henüz netlik kazanmamıştır. Bu çalışmada, 2000-2023 yılları arasında bor temelli malzemeler üzerinde hidrojen depolama konusunda literatürde yayınlanan makaleler taranmış ve 37 makaleden (1300 örnek) oluşan kapsamlı bir veri tabanı oluşturulmuştur. Bu veri tabanında, bor hidrür malzemelerinin içeriği, hazırlama yöntemi, hazırlama koşulları, hazırlık sonrası işlemler, yüzey alanı, parçacık boyutu, gözenek özellikleri gibi 35 farklı tanımlayıcı (girdi değişkeni) yer almakta olup, hidrojen adsorpsiyonu sonuç değişkeni olarak belirlenmiştir. Bu veri tabanında, girdi ve çıktı değişkeni arasındaki temel ilişkileri saptamak için öncelikle basit yapay zekâ algoritmaları (birliktelik kural çıkarımı- ARM) kullanılarak tanımlayıcı analizler gerçekleştirilmiştir. Sonrasında, hidrojen adsorpsiyonunu etkileyen değişkenleri saptamak ve tanımlayıcı özelliklerle adsorpsiyon arasındaki ilişkileri modellemek amacıyla rastgele orman (RF), gradyan artırma (GB) ve karar ağacı (DT) algoritmalarından yararlanılmıştır. Makine öğrenimi analizleri R yazılımı kullanılarak gerçekleştirilmiştir. Rastgele orman algoritması kullanılarak yapılan tahminlerde, hidrojen adsorpsiyonu (0-12 %wt) için karesel ortalama hata (RMSE), ortalama mutlak hata (MAE) ve R² değerleri sırasıyla 1,16, 0,585 ve -0,79 olarak bulunmuştur. Gradyan artırma ise daha iyi bir modelleme sağlamış ve MAE, RMSE ve R2 sırasıyla 0,45, 0,72 ve 0,57 olarak hesaplanmıştır. Hidrojen adsorpsiyonunda en önemli değişkenler olarak her üç algoritmada da basınç, hazırlama yöntemi ve yüzey alanı öne çıkmıştır. Literatürde basınç ve sıcaklığın adsorpsiyonda kritik parametreler olduğu yaygın bir şekilde kabul görmektedir. Ancak bu çalışmada, hazırlama yönteminin de hidrojen adsorpsiyonu için belirleyici bir değişken olduğu gözlemlenmiştir. Bunun temel nedeni, birçok çalışmada adsorpsiyon üzerinde doğrudan etkili olabilecek gözenek boyutu, hacmi ve yüzey alanı gibi özelliklerin ölçülmemesi ve raporlanmamasıdır. Hazırlama yöntemi, bu fiziksel özellikler üzerinde dolaylı bir etkiye sahip olduğu için belirleyici bir değişken olarak öne çıkmaktadır. Bu çalışma ile henüz yapılmamış bir deneyin sonucunun tahmin orta derece bir hassasiyetle tahmin edilebileceği konmuştur. Ayrıca bu konudaki makalelerin karşılaştırılabilirliği ve sonuçların güvenilirliğini artırmak amacıyla bir ölçüm ve yazım standardı geliştirilmesi gerektiği de ortaya konulmuştur.

Hydrogen stands out as an important alternative with an energy density of 140 MJ/kg, outperforming traditional fossil fuels and showing great potential as a future energy carrier. Its high gravimetric energy density becomes even more attractive as energy storage demands increase during the transition to renewable energy sources. Although various methods, such as liquefied, compressed, and solid-state storage, have been extensively studied in the literature, the most effective method for hydrogen storage remains unclear. This study reviews articles on hydrogen storage in boron-based materials published between 2000 and 2023, creating a comprehensive database consisting of 37 articles and 1300 data points. The database includes 35 different descriptors (input variables), such as the composition of boron hydride materials, preparation method, preparation conditions, post-preparation processes, surface area, particle size, and pore properties, with hydrogen adsorption as the outcome variable. Descriptive analyses were first performed using simple artificial intelligence algorithms (association rule mining – ARM) to identify basic relationships between input and output variables. Subsequently, random forest (RF), decision tree (DT) and gradient boosting (GB) algorithms were applied to identify variables affecting hydrogen adsorption and model the relationships between descriptive characteristics and adsorption. Machine learning analyses were conducted using R software. The mean squared error (RMSE), mean absolute error (MAE), and R² values for hydrogen adsorption (0-12 %wt) using the random forest algorithm were 1.16, 0.585, and -0.79, respectively. Gradient boosting, on the other hand, provided better modeling, with MAE, RMSE, and R² calculated as 0.45, 0.72, and 0.57, respectively. All algorithms identified pressure, preparation methods and surface area as the most important variables in hydrogen adsorption. While temperature and pressure are widely accepted as critical parameters in adsorption, this study also found that the preparation method is a key determining variable. This is primarily because many studies do not measure or report properties such as pore size, volume, and surface area directly affecting adsorption. As the preparation method influences these physical properties indirectly, it emerges as a significant variable. This study demonstrates that the outcome of an unperformed experiment can be predicted with moderate precision. It also highlights the need for standardized measurement and reporting practices to enhance the comparability of articles on this topic and the reliability of results.