Feitiçaria com pequenos dados: a IA revoluciona a reciclagem de CO2 com modelos de "pequenos dados"
Estudante de doutoramento cria modelos precisos de IA para a síntese ecológica de Fischer-Tropsch utilizando um mínimo de dados
No Instituto Leibniz para a Catálise em Rostock, LIKAT, um estudante de doutoramento que trabalha com o Dr. David Linke desenvolveu modelos de IA para o processo Fischer-Tropsch baseado no CO2. O processo foi originalmente desenvolvido na década de 1920 para produzir hidrocarbonetos líquidos a partir de monóxido de carbono e hidrogénio obtidos do carvão e do petróleo. Laboratórios de todo o mundo estão a investigar formas de utilizar, no futuro, o gás com efeito de estufa dióxido de carbono em vez de matérias-primas fósseis para a síntese de Fischer-Tropsch.
Eficaz e bonito de se ver: o sistema de catálise de alto rendimento que Aleksandr Fedorov utiliza para testar os seus catalisadores durante a hidrogenação de CO ou CO₂ sob pressão. Tem 16 reactores paralelos; os seus recipientes são claramente visíveis à direita.
LIKAT
Um dos objectivos da investigação em química é substituir as matérias-primas fósseis por matérias-primas amigas do clima e do ambiente. Uma abordagem promissora é a hidrogenação do dióxido de carbono em hidrocarbonetos superiores, conhecida como síntese CO2 Fischer-Tropsch (CO2 FTS). O CO2 e o hidrogénio (H2) reagem cataliticamente para formar combustível sintético, por exemplo, que não contém enxofre ou compostos de azoto e, por isso, arde de forma muito mais limpa do que o seu equivalente derivado do petróleo. Se o hidrogénio também for produzido a partir de fontes renováveis, este processo é completamente neutro em termos de CO2.
Primeiro os dados, depois a experiência
O número de publicações sobre esta reação está a aumentar em todo o mundo e, com ele, a quantidade de dados de experiências. Quem analisar estes dados de forma inteligente pode descobrir ligações ocultas entre as propriedades do catalisador e a atividade química", afirma o químico do LIKAT, Dr. David Linke. Trata-se de um conhecimento valioso, mas difícil de extrair. Um caso para a aprendizagem automática e as redes neurais artificiais.
Aleksandr Fedorov, um estudante de doutoramento de David Linke, embarcou neste trabalho pioneiro. O objetivo da sua tese de doutoramento era desenvolver um novo catalisador para CO2-FTS e um modelo de IA adequado que pudesse descrever a velocidade da reação complexa em todas as condições. Inicialmente, isto significou passar meses a recolher e a processar dados e a introduzi-los numa base de dados. David Linke: "Mesmo antes da primeira experiência, é importante saber o máximo possível. As experiências são caras e demoradas".
Catalisador de ferro altamente seletivo
Tanto a síntese clássica de Fischer-Tropsch como a FTS de CO2 ocorrem frequentemente nos chamados reactores de coluna de bolhas. Os materiais gasosos de partida, H2 e CO2, e mais tarde também o monóxido de carbono (CO) que se forma, percorrem o seu caminho através de um líquido viscoso que contém o catalisador à base de ferro ou cobalto e todos os produtos intermédios e finais.
O resultado do trabalho de investigação na LIKAT foi um catalisador de ferro com uma produtividade muito elevada e uma elevada seletividade que pode ser ativado no reator de produção. A elevada seletividade significa que se forma muito pouco metano indesejado em comparação com os produtos-alvo desejados. Isto foi conseguido através da adição de pequenas quantidades de potássio, cobre e alumínio.
Sem muitas tentativas e erros
Até à data, os químicos têm documentado as suas descobertas sobre as reacções em gráficos e tabelas que ilustram a influência de parâmetros importantes como a pressão, a temperatura e a composição da amostra. Aleksandr Fedorov analisou cada um dos pontos de medição em cerca de cem publicações. Ao fazê-lo, não só determinou os critérios decisivos para a eficácia e seletividade da reação. Descobriu também uma contradição: ao contrário do que é descrito na literatura, o CO2 utilizado na reação não é de forma alguma sempre convertido em CO. Esta descoberta abre uma nova via de investigação para o aperfeiçoamento do catalisador.
Fedorov começou a treinar redes neuronais artificiais utilizando dados do seu catalisador para a modelação cinética da hidrogenação do CO2, o seu modelo de IA. Foi necessária apenas uma pequena quantidade de dados, uma vez que os dados de laboratório por série de medições são sempre muito escassos. David Linke: "Ao contrário das soluções habituais de IA linguística, os grandes modelos linguísticos, trabalhamos aqui com pequenos dados". Para que o modelo pudesse calcular sequências de reacções plausíveis, era necessário ensinar-lhe regras físicas básicas.
A descoberta ocorreu no outono passado, como recorda David Linke. De repente, temos modelos que se comportam de forma sensata! É um pouco como magia". Normalmente, passamos dias sentados ao computador a tentar encontrar um modelo adequado. Agora treino o modelo de IA e até o velho portátil calcula tudo em 30 minutos."
Código-fonte como fonte aberta
Quais são as vantagens destes modelos de IA? A IA da LIKAT não só reduz o tempo de laboratório para mais investigação sobre CO2 FTS, como também aumenta a eficiência da reação. Acima de tudo, os engenheiros de processos podem agora utilizar o modelo de Aleksandr Fedorov para conceber e construir o reator de coluna de bolhas com muito mais precisão do que antes. E qualquer pessoa pode utilizar o modelo como uma matriz para treinar a sua própria IA para qualquer número de reacções.
David Linke, Aleksandr Fedorov e outros publicaram as suas descobertas, incluindo o código fonte, como fonte aberta. Como parte da Infraestrutura Nacional de Dados de Investigação (NFDI) fundada em 2020, David Linke está convencido de que estas ferramentas de IA irão revolucionar o desenvolvimento de processos químicos desde o laboratório até ao reator.
Observação: Este artigo foi traduzido usando um sistema de computador sem intervenção humana. A LUMITOS oferece essas traduções automáticas para apresentar uma gama mais ampla de notícias atuais. Como este artigo foi traduzido com tradução automática, é possível que contenha erros de vocabulário, sintaxe ou gramática. O artigo original em Inglês pode ser encontrado aqui.
Publicação original
Outras notícias do departamento ciência
