Desarrollo de modelos basados en datos para estimar con precisión la densidad de ésteres etílicos de ácidos grasos

Área de la Ciencia:

• Química verde y materiales sostenibles
• Química computacional y ciencia de datos

Sus antecedentes:

• Los ésteres etílicos de ácidos grasos (FAEEs) son compuestos versátiles utilizados en biocombustibles, productos farmacéuticos y lubricantes.
• Su biodegradabilidad y su carácter renovable los convierten en alternativas ecológicas que contribuyen a la sostenibilidad ambiental.

Objetivo del estudio:

• Desarrollar algoritmos predictivos avanzados para la estimación de la densidad de FAEE.
• Explorar varios métodos de aprendizaje automático para una predicción precisa de la densidad en diversas condiciones.

Principales métodos:

• Se utilizaron datos experimentales de la literatura (1307 puntos de datos) para el desarrollo de modelos.
• Algoritmos aplicados de aprendizaje automático que incluyen AdaBoost, árboles de decisión, KNN, bosques aleatorios, Ensemble Learning, CNN y SVR.
• Aseguró la fiabilidad de los datos utilizando un algoritmo de detección de valores atípicos de Monte Carlo.

Principales resultados:

• El conjunto de datos resultó muy adecuado para el desarrollo de modelos confiables.
• La temperatura y la presión se identificaron como factores significativos que influyen en la densidad de la FAEE.
• La regresión del vector de soporte (SVR) demostró la mayor precisión en la predicción de la densidad.

Conclusiones:

• El modelo SVR desarrollado ofrece una alternativa económica y de ahorro de tiempo a las mediciones de densidad experimentales para las FAEE.
• La temperatura se confirmó como el factor más dominante que afecta la densidad de FAEE mediante el análisis SHAP.
• El marco permite una estimación precisa de la densidad de las FAEE en diversas condiciones.