Predicción de la capacidad de adsorción de H₂S del biochar mediante rigurosos marcos de aprendizaje automático

Área de la Ciencia:

• Ciencias Ambientales
• Ciencias de Materiales
• Ciencia de Datos

Sus antecedentes:

• El biochar es un adsorbente sostenible para la eliminación de sulfuro de hidrógeno (H₂S).
• La capacidad de adsorción de H₂S está influenciada por interacciones complejas de las propiedades del biochar y las condiciones operativas.
• La predicción precisa de la adsorción de H₂S es crucial para optimizar las aplicaciones de biochar en la purificación de gases.

Objetivo del estudio:

• Desarrollar y comparar varios modelos de aprendizaje automático (ML) para predecir la capacidad de adsorción de H₂S del biochar.
• Identificar los factores clave que influyen en el rendimiento de adsorción de H₂S del biochar.
• Proporcionar una alternativa computacionalmente eficiente a los métodos experimentales para la selección de biochar.

Principales métodos:

• Se entrenaron 277 puntos de datos de la literatura utilizando modelos de Árbol de Decisión, Random Forest, AdaBoost, KNN, CNN, SVR y Aprendizaje por Conjunto.
• Se utilizaron entradas completas que incluyen propiedades fisicoquímicas del biochar, condiciones de pirólisis y reacción.
• Se aseguró la robustez del modelo mediante validación cruzada de 5 pliegues y evaluación de valores atípicos; se interpretaron las características utilizando el análisis SHAP.

Principales resultados:

• El modelo K-Nearest Neighbors (KNN) logró la mayor precisión (R^2 ≈ 0.94).
• El tiempo de ruptura, el área de superficie específica, la humedad del gas y la relación O/N se identificaron como factores dominantes.
• El análisis SHAP proporcionó información interpretable sobre las contribuciones de las características.

Conclusiones:

• Los modelos de ML, en particular KNN, ofrecen predicciones precisas e interpretables de la capacidad de adsorción de H₂S del biochar.
• Este enfoque facilita la selección y optimización rápidas de biochar para la purificación de gases.
• El estudio destaca el potencial de los métodos basados en datos para avanzar en la tecnología de adsorbentes sostenibles.