Modelos Sustitutos para Rutas de Utilización de CO2: Acelerando el Diseño de Parques Industriales y la Optimización a...

Área de la Ciencia:

• Ingeniería Química; Química Computacional; Química Sostenible

Sus antecedentes:

• La utilización de dióxido de carbono (CO2) es crucial para mitigar el cambio climático. El desarrollo de herramientas computacionales eficientes para los procesos de conversión de CO2 es esencial. Los modelos sustitutos pueden acelerar la simulación y optimización de procesos.

Objetivo del estudio:

• Desarrollar y validar modelos sustitutos para la producción de metanol, amoníaco y urea a partir de CO2. Comparar el rendimiento del modelo en varios tamaños de conjuntos de datos y métricas estadísticas. Evaluar la eficiencia computacional y la fiabilidad predictiva de estos modelos sustitutos.

Principales métodos:

• Se utilizaron simulaciones de Aspen Plus para generar datos para la construcción de modelos sustitutos. Se empleó el Muestreo de Hipercubo Latino para la generación de datos. Se desarrollaron y evaluaron modelos sustitutos lineales y cuadráticos utilizando métricas estadísticas (R², R² ajustado, R² predicho, R² de validación cruzada, RMSE, MAE) y gráficos de intervalos de confianza.

Principales resultados:

• Los modelos cuadráticos representan mejor las no linealidades en la producción de metanol y amoníaco, especialmente con conjuntos de datos más grandes. Los modelos lineales muestran una fuerte generalización y eficiencia para la producción de urea. El R² predicho y la validación cruzada fueron críticos para identificar el sobreajuste en modelos cuadráticos con tamaños de muestra pequeños. El muestreo de datos suficiente es vital para un rendimiento robusto del modelo sustituto. Los modelos sustitutos lograron ahorros significativos en el tiempo de predicción en comparación con las simulaciones directas.

Conclusiones:

• Los modelos sustitutos validados proporcionan un punto de referencia estandarizado para los procesos de utilización de CO2. Estos modelos sirven como recursos reutilizables para la investigación y pueden integrarse en modelos de redes de eco-parques industriales. Los modelos reducen la carga computacional manteniendo la precisión predictiva, apoyando las iniciativas de descarbonización.