Este artículo presenta una versión revisada y traducida de una investigación innovadora sobre la optimización de la captura de CO2 en procesos de producción de hierro por reducción con hidrógeno mediante la selección de membranas impulsada por aprendizaje automático.

Resumen ejecutivo: La captura de CO2 es un reto clave para que la siderurgia con reducción por hidrógeno sea realmente sostenible. Los sistemas tradicionales de captura son costosos y energéticamente intensivos. Aquí describimos un enfoque basado en aprendizaje automático, concretamente optimización bayesiana con un modelo sustituto de Proceso Gaussiano, para identificar rápidamente composiciones poliméricas óptimas que maximizan la selectividad y permeabilidad al CO2 y minimizan la permeación de H2. Los resultados experimentales muestran predicciones de rendimiento con hasta 98 por ciento de precisión y una mejora práctica en la eficiencia de captura de CO2 de aproximadamente 15 a 20 por ciento respecto a prácticas actuales.

Introducción: La producción de hierro por reducción con hidrógeno demanda grandes volúmenes de H2 y genera CO2 que debe capturarse de forma eficiente y rentable. Las membranas poliméricas ofrecen una alternativa energéticamente eficiente frente a procesos como el lavado con aminas, pero su comportamiento depende fuertemente de la composición, estructura y condiciones de fabricación. La búsqueda tradicional por prueba y error es lenta y cara; el uso de técnicas de inteligencia artificial acelera y optimiza esa búsqueda.

Metodología: Selección de membranas por optimización bayesiana. Definimos un espacio de parámetros basado en tres variables clave: r1 cociente PEG/PPO, r2 cociente PVA/PPO y c concentración total de PPO con rangos 0 <= r1 <= 1, 0 <= r2 <= 1, 0.1 <= c <= 0.5 w/w. La optimización bayesiana emplea una función de adquisición tipo Mejora Esperada que equilibra explotación y exploración para proponer nuevas formulaciones a ensayar. El modelo sustituto es un Proceso Gaussiano que proporciona media y varianza predicha para cada composición y se actualiza iterativamente con datos experimentales.

Diseño experimental: Fabricación y caracterización de membranas. Las membranas se obtienen por solución y secado controlado. Las propiedades evaluadas incluyen permeabilidad y selectividad bajo una atmósfera simulada de reducción con hidrógeno 70 por ciento N2, 20 por ciento H2, 10 por ciento CO2 a 40 grados C, comportamiento de hinchamiento en solventes relevantes, propiedades mecánicas por tracción y análisis morfológico por microscopía electrónica de barrido SEM. La permeabilidad se expresa en GPU y la selectividad como la razón CO2/H2.

Análisis de datos y validación del modelo. Los datos experimentales alimentan el Proceso Gaussiano y se evalúa su desempeño mediante métricas como RMSE y R cuadrado. La comparación entre membranas propuestas por el algoritmo y formulaciones obtenidas por cribado aleatorio demuestra la superioridad del método basado en aprendizaje automático en precisión y eficiencia experimental.

Resultados y discusión: La optimización bayesiana identificó formulaciones con mezclas de PEG, PVA y PPO que ofrecieron un equilibrio ideal. Formulaciones típicas óptimas muestran c aprox 0.3 w/w, r1 alrededor de 0.6 y r2 alrededor de 0.5. Estas membranas alcanzaron permeabilidades al CO2 hasta 60 GPU y selectividades CO2/H2 superiores a 40. Ensayos repetidos confirmaron estabilidad y reproducibilidad, y la estrategia aumentó la eficiencia de captura de CO2 en 15 a 20 por ciento con respecto a enfoques convencionales, generando además corrientes de CO2 capturado útiles para aplicaciones downstream.

Formulación matemática resumida: La optimización utiliza la función de adquisición Mejora Esperada EI y un modelo de Proceso Gaussiano f(x) ~ GP(µ(x), k(x,x')) con kernels tipo RBF. La permeancia se relaciona con la permeabilidad dividida por el espesor de la membrana P = A / d.

Escalabilidad y comercialización: En el corto plazo 1 a 2 años se recomiendan pruebas piloto en plantas demostradoras y alianzas estratégicas con fabricantes de membranas. En el medio plazo 3 a 5 años la integración comercial en nuevas plantas y la automatización del proceso de fabricación permitirá reducir costos. A largo plazo 5 a 10 años es viable la retrofitting de hornos existentes y la exploración de materiales avanzados, incluidos nanomateriales, para mejorar aún más rendimiento y vida útil.

Impacto industrial y sostenibilidad: Adoptar estas membranas optimizadas puede reducir las emisiones de la industria siderúrgica, mejorar la viabilidad económica de la producción de acero verde y crear un flujo de CO2 capturado con valor para la industria química y de materiales.

Validación técnica: La fiabilidad del enfoque proviene del ciclo cerrado de predicción y experimentación. Cada experimento actualiza el Proceso Gaussiano y mejora la precisión de las siguientes propuestas. La métrica de precisión de predicción alcanzó valores cercanos al 98 por ciento tras validación experimental y el uso sistemático de la Mejora Esperada aceleró la convergencia hacia formulaciones prometedoras.

Aplicaciones y oportunidades digitales con Q2BSTUDIO: En Q2BSTUDIO complementamos este tipo de investigación avanzada con servicios digitales que permiten industrializar soluciones. Somos una empresa de desarrollo de software, especialistas en aplicaciones a medida y software a medida, con amplia experiencia en inteligencia artificial, ciberseguridad y servicios cloud. Ofrecemos integración de modelos de IA para empresas, agentes IA y dashboards analíticos con power bi para transformar datos de laboratorio y planta en decisiones operativas. Si necesita integrar modelos de optimización y automatizar ensayos o procesos, podemos ayudar mediante soluciones personalizadas como las que describimos en nuestros servicios de inteligencia artificial y en despliegues seguros en la nube con servicios cloud AWS y Azure.

Palabras clave y posicionamiento: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi. Estas áreas complementan la investigación de materiales y facilitan su escalado industrial y digital.

Conclusión: La combinación de optimización bayesiana y validación experimental ofrece una vía rápida y confiable para diseñar membranas que mejoren la captura de CO2 en procesos de reducción con hidrógeno. Integrar estos desarrollos con plataformas digitales, automatización y modelos de negocio respaldados por empresas tecnológicas como Q2BSTUDIO acelera la adopción industrial y maximiza el impacto ambiental y económico.

Contacto: Para consultas sobre desarrollo de aplicaciones a medida, integración de modelos de IA, ciberseguridad, automatización de procesos y soluciones cloud, Q2BSTUDIO ofrece asesoramiento y proyectos llave en mano adaptados a la industria energética y siderúrgica.