Estudio combinado experimental y de aprendizaje automático sobre la interacción entre la deslignificación y las...

Área de la Ciencia:

• Ciencia de los materiales
• Biotecnología
• Ingeniería Sostenible

Sus antecedentes:

• La deslignificación de la madera que retiene la estructura es crucial para crear andamios de biocompuestos.
• Los métodos actuales a menudo comprometen la sostenibilidad y la escalabilidad.

Objetivo del estudio:

• Desarrollar un método sostenible y escalable para la deslignificación de la madera.
• Mejorar las propiedades mecánicas de los andamios a base de madera.
• Evaluar el impacto ambiental y predecir el rendimiento del material.

Principales métodos:

• Reconstrucción de madera de álamo mediante deslignificación parcial a temperatura ambiente, seguida de densificación.
• Pruebas de propiedades mecánicas en varias direcciones de fibra.
• Análisis del ciclo de vida (ACV) para evaluar los impactos ambientales.
• Desarrollo de un marco de aprendizaje de clasificación supervisada no supervisada, supervisada, regresión (USS) para la predicción de propiedades.

Principales resultados:

• La deslignificación parcial a temperatura ambiente produjo propiedades mecánicas superiores en las direcciones de fibra de 45° y 90° en comparación con la deslignificación completa.
• El proceso facilitó la ampliación de la escala de las muestras y permitió la reutilización múltiple de la solución de deslignificación sin pérdida de calidad.
• La reutilización repetida de la solución de deslignificación redujo significativamente el potencial de calentamiento global (GWP) y los impactos en la calidad del ecosistema (EQ), según el ACV.
• El marco de aprendizaje USS predijo con precisión las propiedades mecánicas e identificó los parámetros clave que influyen.

Conclusiones:

• La deslignificación parcial a temperatura ambiente ofrece una ruta sostenible y escalable hacia andamios de alto rendimiento a base de madera.
• Este método mejora las propiedades mecánicas y minimiza la huella ambiental.
• La modelización predictiva proporciona información valiosa sobre el rendimiento del material y los parámetros de fabricación.