基于新型混合机器学习模型的金属有机框架材料储氢能力精准预测

为解决MOFs（金属有机框架）储氢能力预测中实验成本高、周期长的问题，研究人员构建了迄今最大真实数据集（2048个数据点），结合孤立森林异常检测与HOA（登山优化算法）等三种新型优化算法，开发出六种混合模型。其中HOA-LightGBM模型表现最优（R2 =0.9921，RMSE=0.1631），通过SHAP分析揭示压力为关键影响因素，为氢能材料研发提供高效预测工具。

　　

在全球能源转型与碳中和背景下，氢能因其零碳排放特性成为清洁能源焦点。然而氢气的低密度、高挥发性使储存成为技术瓶颈。传统高压气态或液态储氢存在能耗高、安全性差等缺陷，而金属有机框架（MOFs）凭借可调控的孔隙结构和超大比表面积（BET），被视为最具潜力的固态储氢材料。但MOFs的实验室筛选面临巨大挑战——数万种理论组合中仅少数被实验验证，且单次合成测试需耗费数周成本。现有机器学习预测研究多基于模拟数据（如GCMC方法）或小样本（早期研究仅13个数据点），预测精度与泛化能力受限。

针对这一困境，研究人员开展了迄今最大规模的真实MOFs储氢数据挖掘。通过整合2048个实验数据点，并采用孤立森林（Isolation Forest）算法剔除102个异常值，构建出高可靠性数据集。研究创新性地将登山优化算法（HOA）、吸血水蛭优化（BSLO）和改进灰狼优化（IGWO）三种生物启发算法，分别与轻量梯度提升机（LightGBM）和反向传播神经网络（BPNN）耦合，开发出六种混合模型。温度、压力、孔隙体积和BET比表面积作为核心输入参数，通过超参数自适应优化实现模型性能突破。

关键技术包括：1）基于孤立森林的大规模实验数据异常检测；2）HOA/BSLO/IGWO优化算法与LightGBM/BPNN的混合建模；3）SHAP（沙普利加性解释）可解释性分析框架；4）杠杆分析评估数据适用性（98.9%数据可用）。所有计算在25.18秒、2.79GB内存的硬件条件下完成，凸显工程实用性。

性能对比揭示最优模型
通过45°回归图与四项指标（R²
、RMSE、AARD、MAE）综合评估，HOA-LightGBM以0.9921的决定系数和0.1010平均绝对误差（MAE）显著优于其他组合。其运行时长短于IGWO-BPNN模型近40%，证明优化算法在平衡精度与效率方面的优势。

SHAP解析关键影响因素
压力贡献度占比达34.7%，远超温度（21.2%）和BET比表面积（19.8%），颠覆了传统认知中孔隙结构主导的观点。这一发现为MOFs材料设计提供了新思路——在保持孔隙特性的同时，需重点优化压力响应机制。

模型泛化能力验证
杠杆分析显示仅1.1%数据位于临界区间，证明模型对绝大多数实验条件具有鲁棒性。与Salehi等先前研究（R²
=0.982）相比，本研究将预测精度提升至新高度，且样本量扩大近7倍。

该研究通过三大创新推动领域发展：首先，建立首个超2000数据点的真实MOFs储氢数据库，为后续研究奠定基准；其次，证实生物启发算法与机器学习结合的可行性，HOA-LightGBM模型较传统GRNN（广义回归神经网络）误差降低46%；最后，SHAP框架首次量化了各参数贡献度，指导材料定向设计。论文发表于《International Journal of Hydrogen Energy》，为氢能产业链的"材料发现-性能预测-工程应用"闭环提供关键工具，加速碳中和目标下氢经济的落地进程。