Toward sustainable energy production: a comparative machine learning framework for predicting green hydrogen cost across the african continent

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Researchers can adopt the machine learning benchmarking approach to improve cost prediction models for hydrogen or other energy technologies.

🏢実務担当者:Practitioners in hydrogen project development can use the framework for quick cross-country cost screening before detailed feasibility studies.

🏛政策担当者:Policymakers can leverage the SDG-linked cost drivers to prioritize green hydrogen investments aligned with energy security and climate goals.

電化が困難なセクターの迅速な脱炭素化には低排出水素が必要であるが、その展開は多様な国別事情における水素平準化コスト（LCOH）の不確実性によって制約されている。アフリカをケーススタディとして用いる。そこではグリーン水素計画が極めて不均一な条件にまたがって展開されているが、本研究は大規模インフラ投資の前に行う国規模のコストスクリーニングのための比較機械学習フレームワークを開発するものである。54のアフリカシナリオからなる調和化データセットが構築され、目的変数としてLCOH（EUR/kg）、説明変数としてプロジェクト規模、再生可能エネルギー容量、貯蔵・輸送インフラ、投資・成熟段階、エネルギー安全保障・持続可能性指標、市場変数、CO2削減ポテンシャル、水需要を捉える14の予測因子が設定された。ワークフローは、探索的統計、前処理、独立した20%ホールドアウト分割を用いた11の回帰モデルの体系的なベンチマーキングを統合し、反復ネスト交差検証によって補完された。収集されたケース全体で、LCOHは3.75〜5.60 EUR/kgの範囲にあり、中央値は4.90 EUR/kgであり、プロジェクトの成熟段階による明確なコスト階層化が示された。ホールドアウト検証では、Hyperopt最適化Gradient Boostingが最良の性能モデル（R2 = 0.9762、RMSE = 0.0840 EUR/kg、MAE = 0.0663 EUR/kg）として特定され、ベイズチューニングされたXGBoost（R2 = 0.9713）がそれに続いた。ネスト交差検証によりモデルの安定性が確認された（Hyperopt_GB: R2 = 0.9710 ± 0.032）。SHAP分析により、再生可能エネルギー容量、電解槽容量、エネルギー安全保障指標が、データセット内の予測LCOH変動に最も大きく寄与していることが明らかになった。本フレームワークは、データが乏しい環境において投資とデータ収集の優先順位付けを行うための移転可能なスクリーニングパイプラインを提供し、エネルギー安全保障、気候緩和、水ストレスを含む持続可能な開発目標（SDG）関連指標との明示的な関連付けを行う。本アプローチは、初期段階の計画において迅速な国際比較を可能にすることで、決定論的な技術経済評価を補完するものである。図S1. 補足情報 オンライン版には10.1038/s41598-026-47726-wで入手可能な補足資料が含まれている。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Rapid decarbonisation of hard-to-electrify sectors requires low-emission hydrogen, but deployment is constrained by uncertainty in the Levelized Cost of Hydrogen (LCOH) across diverse national contexts. Using Africa as a case study, where green hydrogen planning spans highly heterogeneous conditions, this study develops a comparative machine learning framework for country-scale cost screening before major infrastructure commitments. A harmonized dataset of 54 African scenarios was compiled, with LCOH (EUR/kg) as the target variable and 14 predictors capturing project scale, renewable capacity, storage and transport infrastructure, investment and maturity stage, energy security and sustainability indices, market variables, CO2 reduction potential, and water demand. The workflow integrated exploratory statistics, preprocessing, and systematic benchmarking of 11 regression models using an independent 20% holdout split, complemented by repeated nested cross-validation. Across the compiled cases, LCOH ranged from 3.75 to 5.60 EUR/kg with a median of 4.90 EUR/kg, showing clear cost stratification by project maturity stage. Holdout validation identified Hyperopt optimized Gradient Boosting as the best performing model (R2 = 0.9762, RMSE = 0.0840 EUR/kg, MAE = 0.0663 EUR/kg), followed closely by Bayesian tuned XGBoost (R2 = 0.9713). Nested cross-validation confirmed model stability (Hyperopt_GB: R2 = 0.9710 ± 0.032). SHAP analysis revealed that renewable energy capacity, electrolyser capacity, and the energy security index contributed most to predicted LCOH variability within the dataset. The framework provides a transferable screening pipeline for prioritizing investment and data collection in data-scarce settings, with explicit linkages to Sustainable Development Goal (SDG) relevant indicators, including energy security, climate mitigation, and water stress. This approach complements deterministic techno-economic appraisal by enabling rapid cross-country comparison during early-stage planning Fig.S1. Supplementary Information The online version contains supplementary material available at 10.1038/s41598-026-47726-w.

• semanticscholar https://doi.org/10.1038/s41598-026-47726-wfirst seen 2026-05-15 19:27:42 · last seen 2026-08-11 05:01:58