La biomasa se considera ampliamente como una alternativa renovable a los combustibles fósiles, y muchos expertos dicen que puede desempeñar un papel fundamental en la lucha contra el cambio climático. La biomasa almacena carbono y se puede convertir en productos de base biológica y energía que se puede utilizar para mejorar el suelo, tratar las aguas residuales y producir materias primas renovables.
Sin embargo, la producción a gran escala se ha visto limitada debido a las limitaciones económicas y los desafíos para optimizar y controlar la conversión de biomasa.
Un nuevo estudio dirigido por Yuan Yao, profesor asistente de ecología industrial y sistemas sostenibles de la Escuela de Medio Ambiente de Yale, y la estudiante de doctorado Hannah Szu-Han Wang, analizó las aplicaciones actuales de aprendizaje automático para biomasa y materiales derivados de biomasa (BDM) para determinar si la máquina el aprendizaje está haciendo avanzar la investigación y el desarrollo de productos de biomasa. Los autores del estudio encontraron que el aprendizaje automático no se ha aplicado en todo el ciclo de vida de BDM, lo que limita su capacidad de desarrollo.
La investigación de Yao investiga cómo las tecnologías emergentes y el desarrollo industrial afectarán el medio ambiente con un enfoque en la bioeconomía y la producción sostenible. Wang trabajó en la producción de biomateriales durante la investigación de su maestría. Los dos investigadores dijeron que estaban interesados en realizar este estudio para averiguar si el aprendizaje automático podría ayudar con las mejores prácticas para crear BDM, un componente principal de una economía de base biológica, así como para predecir su desempeño como materiales sostenibles.
«Hay tantas combinaciones de materia prima de biomasa, tecnologías de conversión y aplicaciones BDM. Si queremos probar cada combinación utilizando el enfoque experimental tradicional de prueba y error, esto requerirá mucho tiempo, mano de obra, esfuerzo y energía. Ya generamos una gran cantidad de datos de estos experimentos anteriores, por lo que nos preguntamos, ¿podemos aplicar el aprendizaje automático para ayudarnos a descubrir cómo podemos diseñar mejor BDM? Yao explica.
Para el estudio, que se publicó en Resources, Conservation and Recycling, Yao y Wang revisaron más de 50 artículos publicados desde 2008 para comprender las capacidades, las limitaciones actuales y el potencial futuro del aprendizaje automático para respaldar el desarrollo sostenible y las aplicaciones de BDM. Lo que encontraron es que, si bien algunos estudios aplicaron el aprendizaje automático para abordar los desafíos de datos para la evaluación del ciclo de vida, la mayoría de los estudios solo aplicaron el aprendizaje automático para predecir y optimizar el rendimiento técnico de la conversión y las aplicaciones de biomasa. Ninguno revisó las aplicaciones de aprendizaje automático en todo el ciclo de vida, desde el cultivo de biomasa hasta la producción de BDM y las aplicaciones de uso final.
«La mayoría de los estudios aplican el aprendizaje automático a solo una parte muy pequeña del ciclo de vida completo de BDM», dice Yao. «Nuestro argumento es que si realmente desea incorporar la sustentabilidad en el desarrollo de este material, debemos considerar el ciclo de vida completo de los materiales, desde cómo se generan hasta su impacto ambiental potencial. Creemos que el aprendizaje automático tiene el potencial de respaldar la sustentabilidad -diseño informado para materiales derivados de biomasa».
Wang dijo que el estudio ha llevado a una mayor investigación sobre las lagunas de datos en el aprendizaje automático de materiales derivados de la biomasa.
«Encontramos una dirección futura que la gente aún no ha explorado en términos de evaluaciones de sostenibilidad para BDM. Debe haber una predicción de ruta completa para mejorar nuestra comprensión de cómo varios factores relacionados con BDM interactúan y contribuyen a la sostenibilidad», dice.