Detalles del proyecto
Resumen de proyecto
En el 2024 se han producido 421,4 millones de toneladas de plásticos de los cuales solo se recicla el 8,8 % a nivel mundial, generando un gran problema de contaminación ambiental. Del total de plásticos producidos, el tereftalato de polietileno (PET), polipropileno (PP) y polietileno de alta y baja densidad (HDPE, LDPE), representan el 32,4%. La presente investigación propone valorizar los plásticos no reciclables, aplicando la tecnología de pirólisis catalítica e Inteligencia Artificial para optimizar la producción de combustible refinado. La predicción del rendimiento óptimo, se realizará mediante Inteligencia Artificial (Machine Learning-Randon Forest) con un data set de 1000 ensayos. Luego, se llevarán a cabo los ensayos correspondientes en la Unidad de Pirólisis para validar el rendimiento óptimo y finalmente, se determinarán las propiedades fisicoquímicas del combustible. Los resultados estimados son la obtención del combustible ecológico, con rendimientos superiores al 50%, para su uso en el parque automotor y generar un proceso escalable a nivel industrial.
| Título corto | Producción y optimización de combustible mediante IA empleando la pirólisis catalítica a partir de mezcla de residuos plásticos |
|---|---|
| Sigla | Producción y optimización de combustible mediante IA y pirólisis |
| Estado | Activo |
| Fecha de inicio/Fecha fin | 1/04/26 → 31/03/27 |
Objetivos de desarrollo sostenible de las Naciones Unidas
En 2015, los estados miembros de las Naciones Unidas acordaron 17 Objetivos de desarrollo sostenible (ODS) globales para erradicar la pobreza, proteger el planeta y garantizar la prosperidad para todos. Este proyecto contribuye al logro de los siguientes ODS:
-
ODS 3: Salud y bienestar
-
ODS 7: Energía asequible y no contaminante
-
ODS 9: Industria, innovación e infraestructura
-
ODS 13: Acción por el clima
Palabras clave
- Residuos plásticos
- pirólisis catalítica
- Combustible
- Inteligencia artificial
- Optimización
Categorías temáticas, líneas y sublíneas de investigación
- Energías renovables
- Machine learning y deep learning