| Summary: | La hidrogenación termocatalítica de CO2 a metanol, es una tecnología prometedora en la
lucha contra el cambio climático. Este proceso ayuda a reducir las emisiones de CO2,
transformándolo en compuestos químicos como el metanol, el cual se considera un
combustible eficiente y sirve como precursor en la síntesis química. Para mejorar el proceso,
se requieren nuevos materiales y condiciones operativas que puedan estar disponibles en
plazos razonables, por lo que el uso de la inteligencia artificial para este fin puede brindar
ventajas notables. En este contexto, el presente estudio permitió realizar un análisis
descriptivo, predictivo y causal de la síntesis termocatalítica de metanol. Para ello, se
elaboró una base de datos conformada por 3 011 puntos experimentales obtenidos
mediante la revisión de 160 artículos científicos. El análisis descriptivo reveló que el proceso
se encuentra termodinámicamente restringido, por lo que depende de las condiciones de
reacción y de la influencia del catalizador. Para el análisis predictivo del rendimiento tiempo
espacial de metanol (STY) a partir de descriptores experimentales, se evaluaron cinco
algoritmos de inteligencia artificial (Random Forest, XGBoost, Neural Networks, k-Nearest
Neighbors y Supporting Vector Machines). Los algoritmos XGBoost y Random Forest
obtuvieron los coeficientes de validación cruzada más altos de 0.881 ± 0.013 y 0.862 ± 0.014
respectivamente. Una vez aplicado el algoritmo SHAP, se identificó que los descriptores
más importantes en XGBoost y Random Forest, fueron la velocidad espacial horaria del gas
(GHSV), la presión (P) y la temperatura de reacción (T).
|
|---|