Resumen

El biohidrógeno se perfila como un prometedor vector energético sostenible y neutro en carbono con un alto rendimiento energético para sustituir a los combustibles fósiles convencionales. Sin embargo, la aceptación comercial del biohidrógeno se ve obstaculizada principalmente por el lado de la oferta. Por ello, es necesario optimizar varios parámetros de funcionamiento para que el biohidrógeno se comercialice a gran escala. Recientemente, los algoritmos de aprendizaje automático han demostrado su capacidad para manejar grandes cantidades de datos, al tiempo que requieren un conocimiento menos profundo del sistema y son capaces de adaptarse a circunstancias cambiantes. Esta revisión analiza críticamente el papel del aprendizaje automático en la categorización y predicción de datos relacionados con la producción de biohidrógeno. Se informa sobre la precisión y el potencial de distintos algoritmos de aprendizaje automático. También se discuten las implicaciones prácticas de los modelos de aprendizaje automático para hacer realidad la adopción del biohidrógeno por parte del sector del transporte. La revisión indica que los algoritmos de aprendizaje automático pueden modelar con éxito interacciones no lineales y complejas entre parámetros operativos y de rendimiento en la producción de biohidrógeno. Además, los algoritmos de aprendizaje automático pueden ayudar a los investigadores a identificar los métodos más eficientes para producir biohidrógeno, lo que conduce a una fuente de energía más sostenible y rentable.

• Materias:Acetamida
• Subjects:Acetamida
• Palabras claves:Residuos; Biocombustible; Biohidrógeno; Fermentación; Aprendizaje automático; Panorama de patentes
• Keywords:Waste; Biofuel; Biohydrogen; Fermentation; Machine learning; Patent landscape