Machine Learning, combustión y energía.

25 de julio de 2021/ Claudia Oviedo

Mcoder.ai

Instagram Claudia Oviedo

Machine learning nos ayuda a optimizar la combustión para reducir la emisión de gases contaminantes y además para el diseño de los combustibles del futuro

Los combustibles fósiles como carbón, petróleo y gas natural son actualmente los proveedores del 80 % de la energía del mundo y también de la contaminación ambiental. Se formaron por millones de años por la descomposición de los restos ricos en carbón de animales y plantas. Al ser quemados, el carbón almacenado es liberado junto con otros gases invernadero. Un exceso de estos gases a la atmósfera ha causado cambios dramáticos en el clima del planeta, y se espera que empeoren mientras más combustibles fósiles sean quemados. Además, la combustión incompleta de combustibles fósiles producen contaminantes como óxidos de nitrógeno (NOX), óxidos de azufre (SOX), compuestos orgánicos volátiles (COV), hidrocarburos aromáticos policíclicos (HAP) y hollín.

Emisiones totales de CO2 relacionadas a la energía por origen: carbón, petróleo, gas natural, en 2020.

El petróleo constituye aproximadamente un tercio del consumo de energía y el sector de transporte es el mayor consumidor de esta fuente de energía. La combustión de petróleo en 2020 fue responsable del 45% de las emisiones de CO2 relacionadas con la energía de EEUU. Además su extracción y transporte representa riesgos de seguridad y medioambientales. Las fugas en las tuberías para extraerlo impactan a los ecosistemas y si son lo suficientemente grandes su impacto puede durar varias décadas.

Existen diversas opciones para cambiar el uso de combustibles fósiles por diversas fuentes. Entre ellas la energía hidroeléctrica, de biomasa, eólica, geotérmica, la nuclear, así como el aprovechamiento del metano generado por estiércol y la descomposición natural de materia orgánica. Otra manera de abordarlo es mejorando la eficiencia energética de procesos industriales, electrodomésticos, procesos industriales y vehículos. O al reducir el uso de vehículos privados por medio del uso de vehículos compartidos, bicicleta y el mejoramiento del transporte público.

En el mismo sentido, el estudio de la combustión permite mejorar la eficiencia de la combustión y reducir la emisión de contaminantes. En los últimos años, el aprendizaje automático o Machine Learning (ML) ha permitido avances en esta área al realizar la construcción de modelos cinéticos. El modelo ideal que se busca es aquel que pueda predecir perfiles con precisión de reactivos, productos y especies intermedias. El modelo cinético generalmente contiene cientos de especies y miles de reacciones, lo que significa una gran cantidad de parámetros que necesitan ser ajustados y requieren la experiencia de un operador para determinar los parámetros. Además, también se están realizando estudios teóricos de los combustibles incluyendo sus propiedades fisicoquímicas donde se busca el diseño de combustibles de próxima generación.

En conclusión, ML ha permitido construir modelos para realizar el estudio cinético de la combustión y las propiedades de los combustibles, para el mejoramiento de la eficiencia de la combustión y el diseño de los futuros combustibles para así reducir la emisión de gases invernadero. Esto reducirá la presión energética, dará garantía de seguridad energética, reducirá emisiones y mantendrá el desarrollo sostenible. Es importante mencionar que a pesar de las investigaciones de combustión que se han realizado aún queda mucho por estudiar.  

Referencias:

https://www.eesi.org/topics/fossil-fuels/description

https://www.espublisher.com/uploads/article_pdf/esee8c795.pdf

Dejar una contestacion

Tu dirección de correo electrónico no será publicada.