.
A biomassa é amplamente considerada uma alternativa renovável aos combustíveis fósseis, e muitos especialistas dizem que ela pode desempenhar um papel crítico no combate às mudanças climáticas. A biomassa armazena carbono e pode ser transformada em produtos de base biológica e energia que pode ser usada para melhorar o solo, tratar águas residuais e produzir matéria-prima renovável.
No entanto, a produção em larga escala tem sido limitada devido a restrições econômicas e desafios para otimizar e controlar a conversão de biomassa.
Um novo estudo liderado por Yale School of the Environment, Yuan Yao, professor assistente de ecologia industrial e sistemas sustentáveis, e a estudante de doutorado Hannah Szu-Han Wang, analisaram as atuais aplicações de aprendizado de máquina para biomassa e materiais derivados de biomassa (BDM) para determinar se a máquina aprender está avançando na pesquisa e desenvolvimento de produtos de biomassa. Os autores do estudo descobriram que o aprendizado de máquina não foi aplicado em todo o ciclo de vida do BDM, limitando sua capacidade de desenvolvimento.
A pesquisa de Yao investiga como as tecnologias emergentes e o desenvolvimento industrial afetarão o meio ambiente com foco na bioeconomia e na produção sustentável. Wang trabalhou na produção de biomateriais durante sua pesquisa de mestrado. Os dois pesquisadores disseram que estavam interessados em prosseguir com este estudo para descobrir se o aprendizado de máquina poderia ajudar com as melhores práticas para a criação de BDM, um componente principal de uma economia de base biológica, bem como prever seu desempenho como materiais sustentáveis.
“Existem tantas combinações de matéria-prima de biomassa, tecnologias de conversão e aplicações de BDM. Se quisermos tentar cada combinação usando a abordagem experimental tradicional de tentativa e erro, isso levará muito tempo, trabalho, esforço e energia. Já geramos muitos dados desses experimentos anteriores, então estamos perguntando: podemos aplicar o aprendizado de máquina para nos ajudar a descobrir como podemos projetar melhor o BDM?” Yao explica.
Para o estudo, publicado em Recursos, Conservação e Reciclagem, Yao e Wang revisaram mais de 50 artigos publicados desde 2008 para entender os recursos, as limitações atuais e o potencial futuro do aprendizado de máquina no suporte ao desenvolvimento sustentável e às aplicações do BDM. O que eles descobriram é que, embora alguns estudos tenham aplicado o aprendizado de máquina para enfrentar os desafios de dados para a avaliação do ciclo de vida, a maioria dos estudos apenas aplicou o aprendizado de máquina para prever e otimizar o desempenho técnico da conversão e aplicações de biomassa. Nenhum revisou aplicativos de aprendizado de máquina em todo o ciclo de vida, desde o cultivo de biomassa até a produção de BDM e aplicativos de uso final.
“A maioria dos estudos está aplicando aprendizado de máquina apenas a uma parte muito pequena de todo o ciclo de vida do BDM”, diz Yao. “Nosso argumento é que, se você realmente deseja incorporar a sustentabilidade no desenvolvimento deste material, precisamos considerar todo o ciclo de vida dos materiais, desde como são gerados até seu potencial impacto ambiental. Acreditamos que o aprendizado de máquina tem potencial para apoiar a sustentabilidade -design informado para materiais derivados de biomassa.”
Wang disse que o estudo levou a mais pesquisas sobre lacunas de dados em aprendizado de máquina em materiais derivados de biomassa.
“Encontramos uma direção futura que as pessoas ainda não exploraram em termos de avaliações de sustentabilidade para BDM. É preciso haver uma previsão completa do caminho para aprimorar nossa compreensão de como vários fatores relacionados ao BDM interagem e contribuem para a sustentabilidade”, diz ela.
.
