Modelagem e Interpretação de Dados Catalíticos via Machine Learning em Perovskitas ABO₃ Aplicadas à Reforma a Seco do Metano

Resumo

A utilização de técnicas de Machine Learning (ML) tem se mostrado uma ferramenta promissora para modelar e interpretar dados catalíticos em sistemas complexos. Neste trabalho, exploramos a aplicação de diferentes algoritmos de ML para predizer a conversão de CH₄ e CO₂ a partir de um banco de dados construído com informações extraídas da literatura sobre perovskitas do tipo ABO₃ aplicadas à reforma a seco do metano. Foram testados oito algoritmos combinados com três conjuntos distintos de variáveis de entrada, totalizando 48 modelos avaliados. O modelo de regressão por vetores de suporte (SVR) com kernel radial (RBF) apresentou o melhor desempenho preditivo e foi selecionado para análise interpretativa com SHAP, permitindo identificar as variáveis mais influentes na conversão dos reagentes. A temperatura de reação foi a principal variável para ambos os alvos, seguida pelo tempo de calcinação e pelos teores de dopantes como Co, Fe e Sr. Os resultados obtidos contribuem para a compreensão dos efeitos operacionais e composicionais na atividade catalítica, oferecendo suporte ao planejamento racional de novos experimentos. O estudo também discute os desafios associados ao uso de bases de dados pequenas e heterogêneas na modelagem preditiva em catálise heterogênea.