A IA ajuda os cientistas a conceber melhores catalisadores de biocarvão para eliminar a poluição por antibióticos
O biocarvão produzido a temperaturas entre 450 e 550 °C gera níveis particularmente elevados de espécies reativas de oxigénio
Anúncios
Um novo estudo revela que a aprendizagem profunda permite prever a rapidez com que os materiais de biocarvão decompõem os contaminantes antibióticos, oferecendo um caminho mais rápido para uma água mais limpa e uma remediação ambiental mais inteligente.
A poluição por antibióticos é uma preocupação crescente para o ambiente e a saúde pública. Estes compostos podem entrar em rios, águas subterrâneas, sistemas de águas residuais e ambientes agrícolas, onde podem persistir, afetar organismos aquáticos e contribuir para a propagação da resistência aos antibióticos. O biocarvão, um material rico em carbono produzido a partir de biomassa, tem-se revelado promissor como catalisador sustentável para a degradação de antibióticos. No entanto, conceber o biocarvão adequado para o sistema de tratamento certo continua a ser difícil, uma vez que muitos fatores influenciam o desempenho em simultâneo.
Uma equipa de investigação desenvolveu agora uma estrutura de inteligência artificial interpretável capaz de prever a taxa de reação da degradação de antibióticos em sistemas catalisados por biochar. O estudo, publicado na revista Biochar, combina química ambiental, ciência dos materiais e aprendizagem profunda para identificar quais as características do biochar e as condições de reação mais importantes.
«Os catalisadores à base de biochar são altamente promissores, mas o seu desempenho é controlado por interações complexas entre a estrutura dos poros, a química da superfície, os radicais livres persistentes, a dosagem de oxidantes e a concentração de poluentes», afirmaram os autores correspondentes. «O nosso objetivo era criar uma ferramenta prática de IA que não só previsse a cinética de degradação, mas também explicasse por que razão certos sistemas funcionam melhor do que outros.»
A equipa compilou um conjunto de dados abrangente a partir de 75 estudos revistos por pares, cobrindo várias classes de antibióticos, incluindo tetraciclinas, fluoroquinolonas e sulfonamidas. Avaliaram 16 características de entrada em três categorias principais: propriedades do catalisador de biochar, composição elementar e condições de reação. Foram testados seis modelos de aprendizagem automática, incluindo Random Forest, XGBoost, LightGBM, Regressão de Vetores de Suporte, Perceptron Multicamadas e TabPFN, um modelo de aprendizagem profunda baseado em transformadores concebido para dados tabulares.
O TabPFN apresentou o melhor desempenho preditivo, alcançando um R² de teste de 0,91 e um erro quadrático médio de 0,021. Este desempenho superou o de modelos baseados em árvores, em kernels e em redes neurais convencionais, demonstrando a capacidade da aprendizagem baseada em transformadores para lidar com conjuntos de dados ambientais pequenos, mas complexos.
Para além da previsão, o modelo revelou insights mecânicos fundamentais. As propriedades do catalisador contribuíram com 59,3% do poder preditivo do modelo, seguidas pelas condições de reação com 25,9% e pela composição elementar com 14,8%. Os fatores mais influentes incluíram radicais livres persistentes, volume total de poros, concentração de oxidante, concentração de poluentes, estrutura grafítica, tamanho médio dos poros, dosagem de biocarvão e a relação Raman ID/IG.
A análise sugere que os bio-carvões ricos em radicais livres persistentes, formados a aproximadamente 450 a 550 °C, podem promover a geração de espécies reativas de oxigénio, acelerando a degradação dos antibióticos. Um volume total de poros superior a 0,23 cm³ g⁻¹ também foi associado a um desempenho catalítico mais forte, provavelmente porque a porosidade melhorada aumenta a adsorção de poluentes, o transporte de oxidantes e o acesso a sítios ativos.
O estudo identificou também janelas operacionais práticas. Concentrações moderadas de oxidante, de cerca de 0,5 a 5,5 mg L⁻¹, melhoraram a degradação, enquanto o excesso de oxidante pode reduzir a eficiência através da eliminação de radicais. Concentrações mais baixas de poluentes, particularmente abaixo de 22 mg L⁻¹, foram associadas a uma degradação mais rápida, uma vez que os sítios ativos permaneceram mais disponíveis.
Para apoiar a utilização no mundo real, os investigadores integraram o modelo numa interface gráfica baseada na web de fácil utilização. Os utilizadores podem introduzir as propriedades do catalisador, a composição elementar e as condições de reação para estimar as taxas de degradação dos antibióticos. Numa validação externa, a ferramenta previu o desempenho do novo catalisador de biochar com erros inferiores a 20%.
«Esta estrutura pode ajudar os investigadores a selecionar catalisadores de biochar antes de realizarem experiências extensivas», afirmaram os autores. «Proporciona uma via mais rápida, mais explicável e mais económica para otimizar os sistemas de tratamento de água contaminada com antibióticos.»
Os resultados demonstram como a IA interpretável pode fazer com que a remediação ambiental passe de testes de tentativa e erro para a conceção de catalisadores orientada por dados. Ao associar a previsão à compreensão mecânica, o estudo oferece uma estratégia geral para melhorar as tecnologias baseadas em biocarvão e outros sistemas catalíticos complexos utilizados no controlo da poluição.
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
