Produção de hidrogênio a partir da reforma a seco metano utilizando perovskitas LaNiO3 como precursores catalíticos: do planejamento experimental ao machine learning

Resumo

A integração dos modelos de regressão gerados pelo planejamento de experimentos (DoE) com o poder preditivo do machine learning (ML) representa uma estratégia robusta para extrair novos insights. Nesse contexto, o presente estudo tem como objetivo sintetizar perovskitas LaNiO3 com morfologia de bastão utilizando DoE, testar esses precursores catalíticos na reforma a seco do metano (DRM), e aplicar a matriz do DoE em modelos de ML visando explorar as relações entre propriedades físico-químicas e o desempenho catalítico. Os resultados do DoE mostraram que a temperatura da DRM e o pH de síntese foram significativos para a conversão de CH4 e deposição de C. As maiores conversões de CH4 e menores deposições de C foram observadas para maiores temperaturas de DRM. Entretanto, o ML permitiu ir além da análise fatorial e relacionou a conversão de CH4 e deposição de C com as propriedades dos catalisadores. Assim, as maiores conversões de CH4 foram observadas para teores de LaNiO3 intermediários (~40–80%) e tamanhos de cristalito moderados (~20–35 nm). As maiores deposições de C foram observadas em catalisadores com maiores graus de redução (>55%) e menores temperaturas de redução (<540°C).