Las separaciones de membranas han sido reconocidas durante mucho tiempo como procesos energéticamente eficientes con un mercado en rápido crecimiento. En particular, La tecnología de nanofiltración de solventes orgánicos (OSN) ha mostrado un potencial considerable cuando se aplica a diversas industrias, como los petroquímicos, productos farmacéuticos y naturales. La energía consumida por estas industrias representa del 10 al 15 por ciento del consumo total de energía del mundo.

Sin embargo, Las dificultades para predecir el rendimiento de separación de las membranas OSN han obstaculizado la transición sin problemas del descubrimiento en el laboratorio a la implementación en la industria. Predecir el rendimiento de las membranas es una tarea desafiante debido a la naturaleza compleja del solvente, Interacciones de soluto y membrana. "A pesar de la extensa literatura e informes sobre aplicaciones de membranas, no quedaba una base de datos completa para orientar a la comunidad, "dice el líder del proyecto Gyorgy Szekely del Centro Avanzado de Membranas y Materiales Porosos, Universidad de Ciencia y Tecnología Rey Abdullah (KAUST).

Los investigadores de KAUST colaboraron con investigadores de la Universidad Nacional de Incheon, Corea del Sur, Desarrollar una metodología predictiva basada en inteligencia artificial (IA) que acelerará la implementación industrial de membranas en medios orgánicos. Realizaron minería de datos para producir el conjunto de datos más grande, que comprende más de 38, 000 puntos de datos en el campo. En lugar de abordar el problema de la predicción desde una perspectiva matemática fundamental, han roto con las convenciones explotando la IA. Mientras que un investigador de membranas experimentado puede interpretar datos complejos de membranas en tres dimensiones (cuatro dimensiones en el mejor de los casos), La IA puede analizar datos multidimensionales y extraer tendencias y correlaciones ocultas de manera muy eficaz.

"Para dilucidar los parámetros clave que gobiernan el rendimiento de la membrana (por ejemplo, selectividad y permeabilidad), realizamos un análisis exhaustivo de componentes principales con 18 dimensiones, ", dice el primer autor del estudio, Jiahui Hu." Aplicamos algoritmos de aprendizaje automático (redes neuronales artificiales, apoyar máquinas de vectores, y modelos forestales aleatorios) que predijeron el rendimiento de la separación con una precisión sin precedentes del 98% para la permeabilidad y el 91% para la selectividad ".

Es más, los resultados de la investigación allanan el camino hacia un mejor diseño y desarrollo de membranas. La metodología de predicción de rendimiento desarrollada permitirá el desarrollo in silico de separaciones energéticamente eficientes. "Por último, estamos un paso más cerca de la transformación necesaria del laboratorio húmedo al laboratorio cableado, ", dice Szekely." La rápida identificación de la membrana adecuada para un desafío de separación dado permitirá maximizar los márgenes de beneficio al minimizar las laboriosas pruebas de detección experimentales en el laboratorio ".