Foto: Chris Leboutillier en Pexels
El dióxido de carbono es un compuesto relacionado con el efecto invernadero y perteneciente a los llamados gases de efecto invernadero (GEI), asociados con el calentamiento global y el cambio climático. En 2021, la Administración Nacional Oceánica y Atmosférica de Estados Unidos señaló que se alcanzó un nuevo nivel histórico de dióxido de carbono en la atmósfera, 50% mayor a los niveles preindustriales. Por esto existe una preocupación por reducir los niveles de este GEI desde distintos frentes, entre ellos, el del dióxido de carbono industrial. En este ámbito, el machine learning podría aprovecharse para optimizar la absorción de los materiales de captura y almacenamiento de dióxido de carbono.
Debido a las deficiencias de los actuales métodos de captura y almacenamiento de dióxido de carbono, los investigadores trabajan para desarrollar lo que podría ser la siguiente generación de estos materiales. Mediante el aprovechamiento de desechos agrícolas, de alimentos, animales o forestales, se propone la creación de carbonos porosos derivados de residuos de biomasa (CPDRB). Usar estos materiales porosos para la absorción de dióxido de carbono en fuentes industriales de postcombustión, se considera, serían un paso importante hacia una economía circular, por el aprovechamiento de residuos. Sin embargo, dado su novel surgimiento, aún no existe consenso científico en cuanto a cómo deben sintetizarse los CPDRB o qué propiedades y composiciones deben lograrse en su fabricación.
Para esto, un estudio publicado en la revista Environmental Science & Technology recurrió al machine learning para resolver este cuestionamiento. Con base en la revisión de investigaciones sobre los CPDRB entrenaron su modelo de machine learning el cual, a partir de tres factores centrales se encarga de determinar la absorción de dióxido de carbono de un CPDRB determinado. Según los resultados del modelo de machine learning, los parámetros de absorción a los que opera un CPDRB, como la temperatura y la presión, resultaron ser el factor central más importante. Esto subraya la importancia de optimizar primero las condiciones operativas del material, según concluyeron los autores del estudio. Las propiedades de textura de los CPDRB, como el tamaño de los poros y el área de la superficie, ocuparon el segundo lugar y su composición elemental, el último.
Los investigadores señalan que las predicciones del modelo de machine learning respaldan la literatura existente sobre el tema y la comprensión actual de los mecanismos de captura de dióxido de carbono. Además, señalan, la aplicabilidad de este modelo de machine learning podría extenderse para otro tipo de materiales más allá de los CPDRB.
Además de esta, otras investigaciones respecto a la absorción del dióxido de carbono prometen avances importantes en la materia. Químicos de la Universidad de Bayreuth, en Alemania, dieron a conocer anteriormente el desarrollo de un material capaz de separar de forma específica el dióxido de carbono de los gases residuales industriales. Mezcla de compuestos orgánicos e inorgánicos, este material se diferencia de los procesos de separación por eliminar completamente el dióxido de carbono de las mezclas de gases sin unirlo químicamente. Además, según los investigadores, puede usarse con la mezcla de gases residuales de plantas industriales, pero también con el gas natural o el biogás.
En este punto, el calentamiento global augura muchos cambios catastróficos alrededor del globo, muchos de ellos ya irreversibles. Para no agravar la situación y revertir lo que sea posible es indispensable generar mecanismos para disminuir las emisiones de dióxido de carbono. Como en muchas otras áreas del desarrollo humano, todo apunta a un papel crucial de tecnologías, como el machine learning, en la optimización de materiales de absorción del dióxido de carbono en el ámbito industrial.
DESCARGA LA NOTA SÍGUENOS EN GOOGLE NEWS
