Un modelo interpretable de aprendizaje automático de conjunto para predecir la adsorción de dióxido de carbono en...

Área de la Ciencia:

• Ciencia de Materiales
• Ingeniería Química
• Ciencia de Datos

Sus antecedentes:

• La predicción precisa de la adsorción de dióxido de carbono (CO2) es vital para el desarrollo de tecnologías efectivas de captura de carbono.
• Los sorbentes a base de óxido de magnesio (MgO) son prometedores para la captura de CO2, pero se necesitan modelos predictivos para optimizar su rendimiento.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje automático interpretable para predecir la capacidad de adsorción de CO2 de sorbentes a base de MgO.
• Identificar los parámetros clave del material y del proceso que influyen en la capacidad de adsorción.
• Proporcionar una herramienta para diseñar adsorbentes de CO2 mejorados.

Principales métodos:

• Se evaluaron catorce modelos candidatos de aprendizaje automático.
• Se seleccionaron los mejores modelos para la optimización de hiperparámetros bayesianos utilizando Optuna.
• Se construyó un modelo de conjunto ponderado que integra el método de peso de entropía y TOPSIS.
• Se utilizaron explicaciones aditivas de Shapley (SHAP) para el análisis de la importancia de las características.

Principales resultados:

• El modelo de conjunto optimizado logró un R2 de 0.9903 en un conjunto de prueba independiente.
• La morfología del material, particularmente la granular, fue la característica más significativa (contribución del 43.8%).
• Los parámetros del proceso como el tiempo (23.3%) y la temperatura (14.1%) también fueron contribuyentes importantes.
• Condiciones óptimas de adsorción identificadas como temperatura media (200-400°C) y tiempo de adsorción (100-250 min).

Conclusiones:

• El marco de aprendizaje automático desarrollado proporciona predicciones precisas para la adsorción de CO2 en sorbentes a base de MgO.
• La morfología del material y los parámetros del proceso influyen significativamente en la capacidad de adsorción.
• El estudio ofrece información mecanicista para el diseño de adsorbentes de CO2 a base de MgO de alto rendimiento y una aplicación web implementable para predicciones en tiempo real.