La biomasa lignocelulósica aparece desde hace años como una de las materias primas más prometedoras para reemplazar carbono fósil en combustibles, productos químicos y materiales. Está en la madera, los rastrojos y otros residuos vegetales, y contiene grandes cantidades de celulosa, hemicelulosa y lignina que pueden convertirse en compuestos de mayor valor.
El problema es que esa transformación todavía resulta difícil de llevar desde el laboratorio hasta una planta industrial.
Muchas tecnologías consiguen excelentes resultados cuando trabajan sobre una molécula, un solvente o un catalizador bajo condiciones muy controladas. Pero cuando ese desarrollo salta a la escala industrial aparecen una serie de variables que cambian completamente la dinámica de las reacciones. La estructura real de la biomasa, el transporte de calor, el funcionamiento del reactor, la recuperación de solventes, los costos, el consumo energético, el desempeño ambiental. Una ventaja detectada al comienzo puede reducirse, desaparecer o incluso transformarse en un problema cuando el proceso se vuelve más complejo.
Una nueva revisión científica publicada en la revista científica Advanced Science propone atacar esa dificultad integrando herramientas que hasta ahora suelen trabajar por separado. El trabajo, realizado por un equipo de diez investigadores de la Fujian Agriculture and Forestry University de China, la Ahmadu Bello University de Nigeria y la University of Birmingham del Reino Unido, reúne avances en química computacional, dinámica molecular, modelos cinéticos, simulación de reactores, inteligencia artificial, análisis tecnoeconómico y evaluación de ciclo de vida, con un objetivo común: conseguir que la información obtenida en una etapa siga siendo útil en la siguiente.
La idea no pasa por encontrar una herramienta capaz de resolver todo, sino por construir una cadena de modelos conectados y validados.
Por qué la biomasa es tan difícil de procesar
La biomasa vegetal no es una mezcla simple de celulosa, hemicelulosa y lignina. Es una estructura organizada en varios niveles, donde esos componentes se mantienen unidos por puentes de hidrógeno, interacciones hidrofóbicas y enlaces químicos.
La celulosa forma microfibrillas rígidas y resistentes. La lignina genera una matriz aromática que protege los carbohidratos y dificulta el acceso de solventes y enzimas. Estudios recientes muestran además que la lignina puede agruparse en pequeños dominios hidrofóbicos y que las conexiones entre lignina y carbohidratos cambian a medida que madura la pared celular.
Esa arquitectura modifica incluso la energía necesaria para que ocurran determinadas reacciones.
En uno de los trabajos analizados, las barreras energéticas calculadas para la descomposición de carbohidratos se ubicaron entre 61 y 68 kilocalorías por mol cuando se estudiaron modelos simples. Al incorporar enlaces entre lignina y carbohidratos, esos valores aumentaron hasta aproximadamente 108-117 kilocalorías por mol.
La revisión señala además que algunos indicadores tradicionales pueden llevar a conclusiones equivocadas si se analizan de forma aislada. En un estudio de hidrólisis enzimática, la cristalinidad aparente de una muestra de madera blanqueada aumentó de alrededor del 67 al 80 % durante las primeras doce horas, aunque para entonces ya se había convertido cerca de la mitad de sus carbohidratos. Lo que había cambiado era la proporción entre regiones amorfas y cristalinas después de remover parte del material, no la estructura en sí misma.
El delivery y el campo: una conexión bioeconómica para el transporte de mercaderías
Una herramienta para cada nivel del problema
La teoría del funcional de la densidad, conocida como DFT, permite estudiar con gran detalle la ruptura de enlaces, las energías de adsorción y los estados de transición de una reacción. Es una herramienta especialmente útil para comprender cómo se transforma la lignina o cómo interactúa una molécula con la superficie de un catalizador.
La dinámica molecular permite trabajar con estructuras más grandes y estudiar cómo se comportan la lignina, la celulosa y los solventes. Puede mostrar cómo se debilitan las redes de puentes de hidrógeno o cómo se agrupan determinadas moléculas, aunque los modelos clásicos no suelen describir la ruptura y formación de enlaces.
Para seguir reacciones químicas en sistemas mayores pueden utilizarse modelos reactivos como ReaxFF, capaces de representar fragmentación y formación de radicales durante procesos como la pirólisis.
Cada herramienta aporta una parte de la información. El desafío es que esa información pueda utilizarse después en modelos de partículas, reactores y plantas industriales.
Singapur destina U$S 92 millones a investigar cómo convertir su gigantesca industria química a bio
Diez mil solventes sin probarlos uno por uno
La integración de modelos ya permite reducir de manera drástica el número de experimentos necesarios.
Uno de los ejemplos citados en la revisión parte de 10.638 combinaciones posibles de solventes eutécticos para extraer lignina. Mediante cálculos termodinámicos, los investigadores redujeron ese universo a 22 candidatos que luego fueron evaluados en laboratorio.
El mejor sistema alcanzó una solubilidad de lignina del 46,5 % en peso y mantuvo una actividad relativa de lacasa del 111 %.
El valor del modelo no estuvo en reemplazar el experimento, sino en evitar miles de pruebas con combinaciones poco prometedoras.
La misma lógica se aplica al modelado de reacciones. Un esquema demasiado detallado puede resultar imposible de incorporar a una simulación de reactor. Uno de los trabajos revisados utilizó un modelo de pirólisis con 32 reacciones y 58 especies químicas, lo suficientemente simple para trabajar a escalas mayores sin perder sensibilidad frente a distintas materias primas.
¿Cómo se mide algo que está vivo? Estados Unidos lleva la biometrología al Congreso
La inteligencia artificial entra como acelerador
La inteligencia artificial aparece en la revisión como una herramienta para conectar piezas y reducir tiempos de cálculo, no como un sustituto de la química ni de la experimentación.
Los modelos de aprendizaje automático pueden analizar grandes conjuntos de datos, identificar patrones y generar predicciones mucho más rápido que algunas simulaciones físicas detalladas.
Un sistema entrenado con 467 condiciones de pretratamiento consiguió predecir la remoción de lignina mediante solventes eutécticos profundos con un R² de 0,8034 sobre un conjunto independiente de validación.
Otros modelos utilizaron resultados de 273 experimentos publicados para estimar los rendimientos de bio-oil, carbón y gas durante la pirólisis. En entrenamiento alcanzaron valores de R² superiores a 0,90.
La revisión advierte que esos resultados necesitan interpretarse con cautela.
Cuando datos muy similares provenientes del mismo trabajo experimental aparecen tanto en el entrenamiento como en la evaluación del algoritmo, la precisión puede parecer mayor de lo que realmente es. El modelo funciona bien frente a condiciones conocidas, pero eso no asegura que pueda anticipar el comportamiento de una materia prima o una condición nueva.
Los autores señalan que todavía son poco frecuentes los trabajos en los que el algoritmo propone una alternativa nueva y esa predicción se comprueba después mediante un experimento diseñado específicamente para validarla.
Descubren que decenas de animales producen enzimas capaces de degradar bioplásticos
El salto hacia el reactor
La química cambia nuevamente cuando deja el laboratorio y entra en un reactor.
Durante una pirólisis rápida, el calor debe llegar al interior de cada partícula de biomasa mientras los vapores y gases formados encuentran una vía para salir. Si el calentamiento no es uniforme, el centro de la partícula puede encontrarse en condiciones muy diferentes de la superficie.
En un reactor industrial ese problema se multiplica por millones.
Uno de los trabajos incluidos en la revisión consiguió integrar varias de esas etapas. Los investigadores combinaron un modelo detallado de reacciones químicas con otro que describía el transporte de calor y materia dentro de cada partícula.
Repetir ese cálculo en cada partícula de un reactor completo habría requerido una enorme capacidad computacional. La solución fue entrenar un modelo de aprendizaje automático capaz de reproducir rápidamente la respuesta de la partícula.
Ese modelo se incorporó luego a una simulación de un reactor de lecho fluidizado.
El sistema consiguió predecir el rendimiento de bio-oil de cuatro materias primas con un error promedio cercano al 6,4 %.
Ese ejemplo resume el tipo de integración que propone la revisión. La información química alimenta el modelo de la partícula, el comportamiento de la partícula entra en el modelo del reactor y la inteligencia artificial permite hacer viable el cálculo.
Cuando la planta cambia la conclusión
Una tecnología puede funcionar bien en un reactor y aun así no resultar conveniente a escala industrial.
Una biorrefinería necesita recuperar solventes, separar productos, reciclar corrientes, suministrar energía y operar durante miles de horas. Cada una de esas etapas modifica el costo y el impacto ambiental del proceso.
Una evaluación de ciclo de vida analizada en la revisión estudió un proceso basado en solventes eutécticos profundos. Al proyectarlo a una escala mayor e incorporar la recuperación del solvente, los impactos ambientales calculados resultaron al menos 67 % menores que en la configuración de laboratorio.
El resultado muestra que una conclusión obtenida en un experimento puede cambiar cuando se incorpora el funcionamiento real del sistema.
También puede suceder lo contrario. Un solvente puede mostrar un gran desempeño y resultar demasiado costoso de recuperar. Un catalizador puede ser muy selectivo y perder actividad demasiado rápido. Una ruta química puede producir el compuesto buscado, pero requerir tantas etapas de separación que deje de ser competitiva.
Los modelos económicos y ambientales permiten detectar esos problemas antes de construir una planta.
Hacer que la información viaje en ambos sentidos
La revisión propone que esa información no circule únicamente desde el laboratorio hacia la industria.
Si una simulación de planta muestra que la recuperación de un solvente consume demasiada energía, ese dato puede volver hacia quienes trabajan en diseño molecular. Si el reactor revela que una reacción limita el rendimiento general, los recursos de cálculo pueden concentrarse en entender mejor ese punto.
La integración funciona entonces como un circuito de ida y vuelta.
Para que eso sea posible, también hace falta mejorar la calidad de los datos.
El origen de la biomasa, su humedad, contenido de cenizas, historia de pretratamiento, geometría del reactor y método analítico pueden modificar los resultados. Esa información muchas veces falta en los trabajos publicados o aparece registrada de forma diferente.
Los autores destacan por eso la importancia de los principios FAIR, orientados a que los datos puedan encontrarse, accederse, combinarse y reutilizarse. Entre las herramientas que ya empiezan a utilizarse aparecen sistemas automatizados de experimentación, identificadores persistentes para seguir muestras, códigos QR, vocabularios comunes y grafos de conocimiento.
Todavía no existe una infraestructura capaz de reunir de forma completa toda la información necesaria para seguir una materia prima desde su estructura molecular hasta el desempeño de una biorrefinería.
Los gemelos digitales avanzan en esa dirección y algunos ya pueden reproducir partes de un proceso industrial utilizando datos de sensores. Un sistema capaz de integrar de manera continua la composición de la biomasa, las reacciones químicas, el funcionamiento del reactor, los costos y el impacto ambiental sigue siendo una meta lejana.
La revisión ubica el avance más inmediato en conexiones más acotadas y verificables. Modelos moleculares que seleccionan candidatos para el laboratorio, experimentos que alimentan modelos cinéticos, simulaciones de partículas que ingresan en modelos de reactor y análisis de proceso que devuelven información hacia las etapas anteriores.
La propuesta cambia el foco desde la búsqueda aislada de una nueva reacción hacia el diseño coordinado de todo el proceso. La posibilidad de acelerar nuevas biorrefinerías dependerá cada vez menos de encontrar una herramienta extraordinaria y más de conseguir que química, datos, ingeniería y economía trabajen sobre el mismo problema.
