Modelado cinético y optimización multiobjetivo de la síntesis de ibuprofeno utilizando aprendizaje automático

Área de la Ciencia:

• Ingeniería Química
• Química computacional
• Aplicaciones de aprendizaje automático

Sus antecedentes:

• La síntesis de ibuprofeno requiere un control preciso de los parámetros de reacción para la eficiencia y la rentabilidad.
• Los métodos de optimización tradicionales pueden consumir mucho tiempo y pueden no capturar interacciones complejas de parámetros.

Objetivo del estudio:

• Desarrollar y aplicar herramientas integradas de aprendizaje automático para modelar y optimizar el proceso de síntesis de ibuprofeno.
• Identificar las variables de entrada críticas y las condiciones óptimas de funcionamiento para la producción de ibuprofeno.

Principales métodos:

• Creación de una gran base de datos (39.460 combinaciones) utilizando la teoría de la reacción química, validada experimentalmente.
• Aplicación de un metamodelo CatBoost optimizado con un optimizador de ablación de nieve.
• Utilizando los valores SHAP para el análisis de importancia variable y NSGA-II para la optimización multiobjetivo.
• Realización de simulaciones de Monte Carlo para el análisis de incertidumbre.

Principales resultados:

• El modelo CatBoost optimizado predice con precisión el tiempo de reacción, la tasa de conversión y el costo de producción.
• Los parámetros críticos identificados incluyen el precursor del catalizador (L2PdCl2), las concentraciones de H+ y H2O.
• Se ha encontrado un rango óptimo de concentración del catalizador (0,002-0,01 mol/m3) para una alta conversión y un bajo coste.
• El tiempo de reacción muestra una alta sensibilidad a las fluctuaciones de los parámetros, con un comportamiento no lineal.

Conclusiones:

• El aprendizaje automático integrado modela y optimiza efectivamente la síntesis de ibuprofeno.
• Los conocimientos basados en datos proporcionan orientación cuantitativa para el diseño racional del proceso.
• El estudio demuestra un enfoque poderoso que combina el modelado basado en la física con el aprendizaje automático para la optimización de procesos químicos.