Desempenho de Modelos de ML na Análise de Materiais para Hidrogênio Verde

Abstract

O hidrogênio é uma alternativa promissora para a transição energética, mas seu armazenamento seguro ainda representa um desafio, especialmente no desenvolvimento de materiais estáveis. Este trabalho avalia o uso de modelos de aprendizado de máquina para prever a entalpia de formação de hidretos de magnésio, parâmetro essencial para selecionar materiais adequados ao armazenamento de hidrogênio. A base de dados, com 709 materiais, foi construída a partir do Materials Project e do Pymatgen, originando uma versão pura e outra enriquecida. Foram avaliados modelos tabulares (SVR e MLP) e modelos baseados em grafos (GNN e CGCNN) usando métricas MAE, RMSE e R². O CGCNN apresentou melhor desempenho na base pura, enquanto o MLP foi ligeiramente superior na base enriquecida. A inclusão de atributos adicionais diminuiu a performance dos modelos. Conclui-se que modelos baseados em grafos, especialmente o CGCNN, são promissores para acelerar a identificação de materiais para armazenamento de hidrogênio.