IA para prever a eficiência de separação de membranas industriais

Membranas são muito utilizadas na indústria química para separar moléculas, constituindo um processo de alta eficiência energética. A tecnologia de nanofiltração de solventes orgânicos é especialmente relevante em indústrias como a petroquímica, farmacêutica e de produtos naturais, que atualmente consomem entre 10 e 15% da energia mundial. Mesmo tendo benefícios bem conhecidos, a transição de novas membranas do laboratório para a indústria não é trivial, já que é difícil prever a eficiência de separação das moléculas, que depende de características do solvente, do soluto e de seus interações com a membrana. Outro fator complicante é a carência de um banco de dados consolidado contendo informações sobre os agentes que impactam o processo.

Uma pesquisa apresentada por colaboradores da Universidade Rei Abdullah, na Arábia Saudita, e da Universidade Nacional Incheon, na Coreia do Sul, demonstra que algoritmos de machine learning podem servir para preencher esta lacuna. No trabalho, os autores primeiro realizaram um processo de data mining para formar um banco de dados extenso, contendo mais de 38 mil informações relevantes a esta área de pesquisa. Depois, ao invés de tratar da modelagem matemática dos processos envolvidos, eles usaram informações conhecidas sobre o desempenho de algumas combinações destes dados para treinar algoritmos baseados em redes neurais, support vector machines e random forests na tarefa de predizer a eficiência de separação de novas membranas hipotéticas, frente a diferentes moléculas. Enquanto que um pesquisador experiente consegue analisar no máximo quatro dimensões de dados, o algoritmo utilizou 18 dimensões, ordenadas por sua variância através do método de PCA (principal component analysis). Esta técnica consiste em diminuir a dimensionalidade dos dados, concentrando aqueles com maior efeito potencial nas primeiras dimensões. O sistema desenvolvido atingiu precisão de 98% na predição da permeância das membranas, e 91% na predição de seletividade, e ainda revelou que fatores similares dos solventes e das membranas afetam ambas estas métricas de desempenho.

Este trabalho deve ter impacto no desenvolvimento de novas membranas, para que tenham propriedades mais adequadas à sua utilização. O sistema de inteligência artificial criado elimina a parte do processo que antes era baseada em tentativa e erro, transportando esta fase para o ambiente virtual. Além do tempo economizado, a nova metodologia também economiza os recursos que tradicionalmente são empregados nos experimentos de laboratório. Assim, chegam mais cedo ao mercado membranas eficientes capazes de realizar a separação energeticamente eficiente de moléculas de interesse comercial.