可再生资源的日益广泛应用加剧了对大规模储能解决方案的需求，这类解决方案需要能够应对供需变化。地下储氢（UHS）在煤层中成为了一个有前景的选择，其中吸附作用决定了储氢的容量和效率。然而，由于热力学条件与煤的组成特性之间存在复杂的多变量相互作用，准确预测煤中的氢吸附仍然具有挑战性。实验方法耗时且难以在地下条件下重复进行，而分子动力学（MD）模拟计算量大且对力场假设敏感。为了解决这些限制，本研究开发了一种混合机器学习模型GMDH-DDE，该模型将组处理方法与离散差分进化相结合，用于预测六种不同煤类型的氢吸附情况。使用包含温度、压力、水分含量、挥发物含量和碳含量在内的300个数据点的数据集，通过10折交叉验证和独立的外部数据集严格评估了该模型的性能，并将其与三种现有方法进行了比较：单独的GMDH、支持向量回归（SVR）和多层感知器（MLP）。结果表明，GMDH-DDE模型的预测性能优于GMDH、SVR和MLP，其决定系数（R2）分别为0.9994（训练数据集）和0.9984（测试数据集），同时具有最低的预测误差，包括均方根误差（RMSE）分别为0.0112和0.0215，以及平均绝对误差（MAE）分别为0.0014和0.0016。外部验证进一步证实了其出色的泛化能力，R2值为0.9982，RMSE为0.0075，MAE为0.0048。敏感性分析显示压力是主要控制变量，其次是温度和碳含量。此外，趋势分析表明该模型的预测结果与Langmuir等温线和Henry定律在物理上是一致的。这些发现表明，GMDH-DDE是一种可靠、计算效率高且在物理上与实验和基于模拟的方法一致的替代方案，对于设计和优化基于煤的UHS系统具有显著潜力。
