Modelo de Machine learning para mapear condições de reação e eficiência catalítica na síntese de metanol a partir da hidrogenação de CO₂

Resumo

A reação de conversão de CO₂ a metanol tem ganhado crescente relevância considerando as atuais demandas  por mitigação de gases de efeito estufa, impulsionadas pela crise climática. Uma etapa importante no design de catalisadores para essa reação é a revisão bibliográfica, visando identificar as principais tendências e avanços reportados na literatura. Diante da grande quantidade dos dados disponíveis, destaca-se a aplicação de redes neurais artificiais como ferramenta de machine learning promissora para a modelagem e análise de múltiplas variáveis interrelacionadas. Neste trabalho, foi desenvolvida uma rede neural do tipo feedforward, composta por 3 camadas, utilizando-se o pacote TensorFlow.Keras do Python. A base de dados foi construída a partir da análise de 65 artigos de alta relevância, totalizando 251 dados experimentais. A arquitetura da rede contou com 62 neurônios na camada de entrada, 100 neurônios na camada oculta e 2 neurônios na camada de saída. O modelo apresentou erro quadrado médio (MSE) de 0,004 e um coeficiente de determinação (R²) de 0,91 para o conjunto de treinamento, indicando boa capacidade de aprendizado. Para o conjunto de teste, os valores de MSE e R² foram 0,022 e 0,57. Os resultados são promissores e indicam que a rede foi capaz de extrair padrões relevantes nos dados, o que poderá propiciar informações relevantes em futuras análises de sensibilidade do modelo.