Aprovechando el aprendizaje automático para optimizar la adsorción de CO2

Trabajar de forma más inteligente: aprovechar el aprendizaje automático para optimizar la adsorción de CO2

Si queremos mitigar el cambio climático, debemos encontrar formas rentables y sostenibles de reducir el dióxido de carbono industrial (CO2) emisiones. Desafortunadamente, la mayoría de los métodos bien establecidos para la captura y almacenamiento de carbono (CAC) en fuentes industriales de postcombustión tienen desventajas importantes, como un alto costo, toxicidad ambiental o problemas de durabilidad. En este contexto, muchos investigadores se han centrado en lo que puede ser nuestra mejor apuesta para los sistemas CCS de próxima generación: CO2 adsorción utilizando materiales sólidos de carbono poroso.

Una ventaja notoria de usar carbonos porosos para CO2 El secuestro es que pueden producirse a partir de desechos de biomasa, como desechos agrícolas, desechos de alimentos, desechos animales y desechos forestales. Esto hace que los carbonos porosos derivados de residuos de biomasa (BWDPC) sean atractivos no solo por su bajo costo, sino también porque proporcionan una forma alternativa de hacer un buen uso de los residuos de biomasa. Aunque los BWDPC definitivamente podrían acercarnos a una economía circular, este campo de estudio es relativamente joven y no existen pautas claras o consenso entre los científicos sobre cómo se deben sintetizar los BWDPC o qué propiedades y composiciones de los materiales deben buscar.

¿Podría la inteligencia artificial (IA) ayudarnos en este enigma? En un estudio reciente publicado en Ciencia y Tecnología Ambiental, un equipo de investigación colaborativa de la Universidad de Corea y la Universidad Nacional de Singapur empleó un enfoque basado en el aprendizaje automático que puede guiar el desarrollo de futuras estrategias de síntesis de carbono poroso. Los científicos señalaron que hay tres factores centrales que influyen en el CO2 Propiedades de adsorción en BWDPC: la composición elemental del sólido poroso, sus propiedades de textura y los parámetros de adsorción a los que opera, como la temperatura y la presión. Sin embargo, hasta ahora no ha quedado claro cómo se deben priorizar estos factores centrales al desarrollar BWDPC.

Para ayudar a resolver este asunto, el equipo primero realizó una revisión de la literatura y seleccionó 76 publicaciones que describen tanto la síntesis como el desempeño de varios BWDPC. Después de la curación, estos artículos proporcionaron más de 500 puntos de datos que se utilizaron para entrenar y probar tres modelos basados ​​en árboles. «El objetivo principal de nuestro trabajo fue dilucidar cómo se pueden aprovechar las herramientas de aprendizaje automático para el análisis predictivo y se pueden utilizar para obtener información valiosa sobre el proceso de CO2 adsorción utilizando BWDPC «, explica el profesor Yong Sik Ok de la Universidad de Corea, quien dirigió el estudio.


Recomendado: ¿Qué es el Big data?.


Las características de entrada de los modelos fueron los tres factores centrales, mientras que la salida fue el nivel de CO2 adsorción. Aunque los modelos en sí mismos se convierten esencialmente en ‘cajas negras’ después del proceso de entrenamiento, pueden usarse para hacer predicciones precisas sobre el rendimiento de los BWDPC basados ​​únicamente en los factores centrales considerados. Más importante aún, a través de análisis de características, el equipo de investigación determinó la importancia relativa de cada una de las características de entrada para realizar predicciones precisas. En otras palabras, establecieron cuál de los factores centrales es el más importante para lograr niveles altos de CO2 adsorción. Los resultados indican que los parámetros de adsorción contribuyeron mucho más que los otros dos factores centrales para que los modelos hicieran predicciones correctas, lo que subraya la importancia de optimizar primero las condiciones operativas. Las propiedades de textura de los BWDPC, como el tamaño de los poros y el área de la superficie, ocuparon el segundo lugar y su composición elemental quedó en último lugar.

Cabe señalar que las predicciones de los modelos y los resultados de los análisis de importancia de las características fueron respaldados por la literatura existente y nuestra comprensión actual de los mecanismos detrás de la CO2 proceso de captura. Esto consolidó la aplicabilidad en el mundo real de esta estrategia basada en datos no solo para BWDPC, sino para otros tipos de materiales, como explica el profesor Ok, «Nuestro enfoque de modelado es de implementación cruzada y puede usarse para investigar otros tipos de carbonos porosos para CO2 adsorción, como las zeolitas y las estructuras organometálicas, y no solo las derivadas de los residuos de biomasa «.

El equipo ahora planea diseñar una estrategia de síntesis para BWDPC al enfocarse en optimizar los dos factores centrales más importantes. Además, seguirán agregando puntos de datos experimentales a la base de datos utilizada en este estudio y la convertirán en código abierto para que la comunidad de investigadores también pueda beneficiarse de ella.


Análisis en tiempo real del comportamiento de adsorción de MOF


Más información:
Xiangzhou Yuan et al, Aprendizaje automático aplicado para la predicción de la adsorción de CO2 en carbonos porosos derivados de residuos de biomasa, Ciencia y tecnología ambiental (2021). DOI: 10.1021 / acs.est.1c01849

Proporcionado por Cactus Communications

Citación: Aprovechamiento del aprendizaje automático para optimizar la adsorción de CO2 (2021, 16 de septiembre), consultado el 17 de septiembre de 2021 en https://techxplore.com/news/2021-09-leveraging-machine-optimize-co2-adsorption.html

Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.