Referencia (APA 7): Dong, Z., Bai, X., Xu, D., & Li, W. (2023). Machine learning prediction of pyrolytic products of lignocellulosic biomass based on physicochemical characteristics and pyrolysis conditions. Bioresource Technology, 367, 128182. DOI: https://doi.org/10.1016/j.biortech.2022.128182 · verificado en Crossref Subtema: 6. Inteligencia artificial en la valorización de biomasa
Residuo y cultivo
Biomasa lignocelulósica (base de datos de la literatura)
Hallazgos clave (el resumen no trae cifras de desempeño)
- Se compararon bosque aleatorio, GBDT, XGBoost y AdaBoost. El bosque aleatorio fue el mejor, sobre todo para bio-aceite, y también funcionó bien para biocarbón y gas.
- Las variables más importantes fueron la humedad, el contenido de carbono y la temperatura final.
- En contraste con Zhu et al. (2019), las características de la biomasa pesaron más que las condiciones de pirólisis.
- El contenido de carbono aumenta el rendimiento de bio-aceite y reduce el de biocarbón. La temperatura final aumenta el gas y reduce el biocarbón.
Variables estudiadas
Humedad (%), contenido de carbono (%), temperatura final (°C), rendimientos de biocarbón, bio-aceite y gas (%), algoritmo de aprendizaje automático.
Enlaces sugeridos
- Iónico con Zhu et al. (2019): ¿manda la materia prima o el proceso? La respuesta depende de la base de datos y del algoritmo, lo que ilustra un sesgo clásico de la IA.
- Covalente con Huang et al. (2025): más temperatura deja menos biocarbón pero más área y aromaticidad.
- Puente de hidrógeno con Dewi et al. (2025): la humedad y el carbono fijo del sólido residual de cacao serían entradas directas de este modelo.
Por qué le interesa a un estudiante de Química de la Universidad de Córdoba
Muestra que la IA no da “la verdad”. Dos modelos bien hechos pueden discrepar, y entender por qué exige saber química.