Delignificación inteligente: aprovechamiento de la IA explicable para la modelización y optimización del transporte...

Área de la Ciencia:

• Valorización de la biomasa y producción de energía sostenible.
• Ingeniería química y optimización de procesos.
• Aplicación de la inteligencia artificial en química verde.

Sus antecedentes:

• La lignina, un componente importante de la biomasa, dificulta la accesibilidad de la celulosa y la hemicelulosa debido a su estructura recalcitrante.
• La eliminación eficiente de la lignina es crucial para la producción de biocombustibles, ya que la lignina dificulta la hidrólisis y se une de forma no productiva a las enzimas.
• La ozonización es una técnica de des lignificación emergente y ecológica que ofrece potencial para mejorar el pretratamiento de la biomasa.

Objetivo del estudio:

• Investigar la aplicación de técnicas de aprendizaje automático (ML) para predecir la eficiencia de la eliminación de lignina durante el pretratamiento con ozonización.
• Evaluar el rendimiento de varios modelos de regresión de ML para capturar las complejas relaciones en la des lignificación.
• Identificar las variables clave del proceso que influyen en la eliminación de lignina mediante el análisis de la importancia de las características.

Principales métodos:

• Se entrenaron y evaluaron 19 modelos de regresión utilizando el marco PyCaret con datos experimentales de ozonización.
• Se utilizó Extra Trees Regressor, que mostró la mayor precisión predictiva.
• Se emplearon explicaciones aditivas de Shapley (SHAP) para interpretar la importancia de las características y cuantificar las contribuciones de las variables.

Principales resultados:

• El modelo Extra Trees Regressor logró la mayor precisión predictiva para los resultados de des lignificación.
• Los modelos de aprendizaje automático capturaron eficazmente las intrincadas relaciones que rigen la des lignificación basada en ozonización.
• El análisis SHAP proporcionó información cuantitativa sobre la contribución de cada variable del proceso a la eliminación de lignina.

Conclusiones:

• El aprendizaje automático sirve como una poderosa herramienta predictiva e interpretativa para optimizar la des lignificación basada en ozonización.
• Los enfoques basados en datos que utilizan ML pueden mejorar la eficiencia de la valorización de la biomasa para la producción sostenible de biocombustibles.
• Este estudio demuestra el potencial de ML en el avance de los procesos de ingeniería química para soluciones de energía más ecológicas.