Use of Machine Learning models as surrogate models for finding regions of structural properties of MOFs with high hydrogen storage capacities at room temperature and moderate pressures

A. Granja-DelRío; F. Hernando-Galego; I. Cabria

doi:10.1016/j.chemphys.2026.113209

Ficha de publicación · 2026

Use of Machine Learning models as surrogate models for finding regions of structural properties of MOFs with high hydrogen storage capacities at room temperature and moderate pressures

Autores: A. Granja-DelRío · F. Hernando-Galego · I. Cabria
Año: 2026
Editorial: Elsevier
Revista o publicación: Chemical Physics
Citas en Google Scholar: 2

Indicadores de la revista

CiteScore 2025 (Scopus)4.3

Mejor cuartilQ2

Top 10 % en alguna categoríaNo

Posiciones por categoría

Physics and Astronomy (all)79/248 · Q2 · percentil 68
Physical and Theoretical Chemistry104/194 · Q3 · percentil 46

Fuente en Scopus ↗

JCR (Clarivate): No verificado: el fichero aportado es CiteScore de Scopus, no JCR.

No identificada en el informe aportado sobre comportamiento bibliométrico no estándar (2017–2019).

El informe es un análisis independiente publicado en 2021; no es una lista oficial de veto o aprobación de ANECA.

Resumen de investigación

Modelos supervisados actúan como sustitutos eficientes de costosas simulaciones moleculares para predecir el almacenamiento de hidrógeno e identificar regiones interpretables del espacio de diseño de MOF.

Descripción original preparada para esta web; consulte la publicación para el abstract oficial.

DOI 10.1016/j.chemphys.2026.113209 ↗ · Versión de acceso abierto ↗ · Ver registro en Google Scholar ↗