PI-HySPAC：基于物理化学原理的机器学习方法，结合吸附一致性约束，用于预测氧化铝柱撑黏土中的氢储存性能

《International Journal of Hydrogen Energy》：PI-HySPAC: Physicochemical-guided machine learning with adsorption-consistent constraints for hydrogen storage prediction in alumina-pillared clays

　　摘要：氧化铝柱撑层间黏土是一种极具潜力的微孔吸附剂，可用于氢气储存，但由于压力、温度和成分之间存在非线性相互作用，其容量预测仍面临挑战。本研究提出了PI-HySPAC这一基于物理化学原理的机器学习框架，该框架将与吸附相关的特征工程与物理约束神经网络相结合。该模型的损失函数会对违反压力单调性、温度单调性、类饱和压力响应以及非负容量等条件的情况进行惩罚。在与集成学习方法的对比中，PI-HySPAC在相同数据分布下的测试集上取得了R2=0.99的优异性能，平均绝对百分比误差为3.72%，MAE值为0.013mmolSTPg?1。消融实验表明，无约束神经网络虽能获得较高的点预测精度，但可能存在物理一致性问题，而所提出的受限模型则能在测试数据集中消除这些问题。在基于压力的异常数据测试中，该模型对高压场景的R2值为0.95，对低压场景的R2值为0.80。对于所有模型而言，最高温度下的外推预测仍是一项挑战。