La transición global hacia sistemas de energía y transporte de bajo carbono posiciona al hidrógeno como un portador de energía limpio y versátil clave. Sin embargo, garantizar el manejo y almacenamiento seguro del hidrógeno, particularmente en su forma líquida (LH2), sigue siendo un desafío crítico para el despliegue a gran escala. Las liberaciones accidentales de LH2 pueden llevar a una rápida dispersión, peligros criogénicos y un aumento de los riesgos de ignición o detonación debido a la baja energía de ignición del hidrógeno y sus amplios límites de inflamabilidad. Esta revisión sintetiza los avances recientes en la comprensión y modelado de los escenarios de seguridad del LH2, enfatizando los roles complementarios de la Dinámica de Fluidos Computacional (CFD) y el Aprendizaje Automático (ML). El documento primero describe los procesos físicos fundamentales que rigen las fugas, derrames y liberaciones en chorro de hidrógeno criogénico, seguido de una visión general de las tecnologías actuales de almacenamiento y detección. Se presta especial atención a las implicaciones de seguridad que surgen de las diferencias entre entornos abiertos y cerrados y al hecho de que las tecnologías de detección existentes presentan deficiencias a bajas temperaturas. Se revisan estudios basados en CFD para ilustrar cómo estos métodos capturan dinámicas complejas de flujo y dispersión bajo diversas condiciones operativas y ambientales, respaldados por un resumen de investigaciones experimentales existentes utilizadas para la validación del modelo. Luego se examina el papel emergente del ML, centrándose en su integración con simulaciones CFD y redes de sensores para la evaluación predictiva de riesgos, la detección de fugas en tiempo real y el desarrollo de gemelos digitales. Finalmente, se discuten los sistemas integrados CFD-ML-sensor como un camino hacia un marco informado por la física y basado en datos para avanzar en la seguridad y fiabilidad del hidrógeno.