Han desarrollado un sistema de detección de IA que podría ayudar a que los combustibles de transporte sean más ecológicos. Este sistema tiene un enfoque de diseño de mezcla inversa y podría enseñarles a las computadoras a crear mezclas a partir de un conjunto de propiedades objetivo. Fue desarrollado por KAUST, y podría ayudar a encontrar combustibles de transporte de alto rendimiento y que se quemen de manera eficiente mientras liberan poco dióxido de carbono (CO 2) a la atmósfera.

Recordemos que las emisiones de gases de efecto invernadero son los principales contribuyentes al aumento de las temperaturas globales. De hecho, una gran proporción de las emisiones de CO 2 provienen de la combustión de combustibles de hidrocarburos. Una solución prometedora a esto es diseñar combustibles para el transporte que ofrezcan una mayor eficiencia y menores emisiones de carbono.

De acuerdo con Nursulu Kuzhagaliyeva, primer autor del estudio: «El cuello de botella clave es la detección de mezclas complejas que contienen cientos de componentes para predecir los efectos sinérgicos y antagónicos de las especies en las propiedades de la mezcla resultante».

Más detalles sobre el sistema de detección IA que se usará en los combustibles

sistema IA
Vía Unsplash

Kuzhagaliyeva, Sarathy y sus compañeros de trabajo construyeron un modelo de aprendizaje profundo. En otras palabras: un sistema de detección IA que ayudará filtrar combustibles de manera eficiente. Según Kuzhagaliyeva: «Este problema encajaba bien con el aprendizaje profundo que permite capturar interacciones no lineales entre especies».

Por ello, en el enfoque de diseño inverso, los investigadores primero definieron las propiedades relacionadas con la combustión. Así como la calidad de ignición del combustible y la propensión a la formación de hollín. Luego determinaron los combustibles potenciales de acuerdo con estas propiedades.

Los datos experimentales disponibles públicamente son escasos. Por lo tanto, los investigadores construyeron una extensa base de datos usando medidas experimentales de la literatura para entrenar el modelo. La base de datos consta de diferentes tipos de compuestos puros, al igual que mezclas de combustible sustituto y mezclas complejas, tales como la gasolina.

Por otro lado, los investigadores no hallaron modelos adaptables al diseño de combustible inverso, así que tuvieron que incorporar representaciones vectoriales en el modelo. Se inspiraron en técnicas de procesamiento de texto que relacionan palabras con frases usando vectores ocultos.

Hasta introdujeron un operador de mezcla que conecta directamente representaciones ocultas de compuestos puros y mezclas a través de combinaciones lineales. Incluso agregaron algoritmos de búsqueda para detectar mezclas de combustible que coincidan con las propiedades predefinidas dentro de un espacio químico.

Los resultados del estudio

El modelo de detección IA logró predecir con precisión la calidad de ignición del combustible. Al igual que la propensión al hollín de varias moléculas y mezclas. Hasta identificó varias mezclas de combustible que se ajustaban a los criterios predefinidos.

El equipo ahora está mejorando la precisión del modelo, pues han extendido la base de datos de propiedades a otros criterios: volatilidad, viscosidad y la formación de contaminantes. La herramienta está siendo avanzada para formular combustibles electrónicos de gasolina y de aviación sintéticos. Esperamos sigan avanzado de esta manera.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *