p As separações por membrana são reconhecidas há muito tempo como processos eficientes em termos de energia com um mercado em rápido crescimento. Em particular, A tecnologia de nanofiltração de solvente orgânico (OSN) tem mostrado um potencial considerável quando aplicada a várias indústrias, como petroquímicos, produtos farmacêuticos e naturais. A energia consumida por essas indústrias é responsável por 10 a 15 por cento de todo o consumo de energia do mundo. p No entanto, dificuldades em prever o desempenho de separação de membranas OSN impediram uma transição suave da descoberta em laboratório para a implementação na indústria. Prever o desempenho das membranas é uma tarefa desafiadora devido à natureza complexa do solvente, interações de soluto e membrana. "Apesar da extensa literatura e relatórios sobre aplicações de membrana, não restou um banco de dados abrangente para orientar a comunidade, "diz o líder do projeto Gyorgy Szekely do Centro de Membranas Avançadas e Materiais Porosos, Universidade King Abdullah de Ciência e Tecnologia (KAUST).

p Pesquisadores da KAUST colaboraram com pesquisadores da Incheon National University, Coreia do Sul, desenvolver uma metodologia preditiva baseada em inteligência artificial (IA) que irá acelerar a implementação industrial de membranas em meios orgânicos. Eles realizaram mineração de dados para produzir o maior conjunto de dados, compreendendo mais de 38, 000 pontos de dados em campo. Em vez de abordar o problema da previsão de uma perspectiva matemática fundamental, eles romperam com as convenções explorando a IA. Embora um pesquisador de membrana experiente possa interpretar dados de membrana complexos em três dimensões (quatro dimensões na melhor das hipóteses), A IA pode analisar dados multidimensionais e extrair tendências e correlações ocultas de maneira muito eficaz.

p "Para elucidar os principais parâmetros que regem o desempenho da membrana (por exemplo, seletividade e permeabilidade), realizamos uma análise completa de componentes principais com 18 dimensões, "diz o primeiro autor do estudo, Jiahui Hu." Aplicamos algoritmos de aprendizado de máquina (redes neurais artificiais, apoiar máquinas de vetor, e modelos de floresta aleatórios) que previram o desempenho de separação com uma precisão sem precedentes de 98% para permeanência e 91% para seletividade. "

p Além disso, os resultados da pesquisa abrem caminho para um melhor design e desenvolvimento de membrana. A metodologia de previsão de desempenho desenvolvida permitirá o desenvolvimento in silico de separações energeticamente eficientes. "Em última análise, estamos um passo mais perto da transformação necessária do laboratório úmido para o laboratório com fio, "diz Szekely." A rápida identificação da membrana certa para um determinado desafio de separação permitirá que as margens de lucro sejam maximizadas, minimizando as laboriosas análises experimentais no laboratório. "