Optimizan el uso de aguas residuales para producir hidrógeno verde mediante inteligencia artificial

Los científicos han logrado optimizar, mediante inteligencia artificial, el proceso de producción de hidrógeno verde a partir de aguas residuales.

Una consorcio internacional con la participación de científicos de los Departamentos de Química Inorgánica e Ingeniería Química de la Universidad de Málaga ha logrado optimizar, mediante inteligencia artificial, el proceso de producción de hidrógeno verde a partir de aguas residuales.

En el equipo participan también investigadores de países como Vietnam, Corea del Sur, India y Taiwan que, además, cuenta con financiación de la empresa ACOSOL, de Fundación Unicaja y de la Agencia Estatal de Investigación (Ministerio de Ciencia, Innovación y Universidades).

“El desarrollo de procesos para el uso y revalorización de las aguas residuales es necesario para mejorar la sostenibilidad de los recursos hídricos y proteger el medio ambiente”, señala el catedrático de la Facultad de Ciencias Enrique Rodríguez Castellón, uno de los autores de este trabajo que, por otro lado, también explica que el hidrógeno es una «materia prima esencial en la industria química y metalúrgica y un vector energético clave en la descarbonización».

Por ello, según se constata en este trabajo, que ha sido publicado en la revista científica ‘Energy’, el uso de aguas residuales para producir hidrógeno verde -considerado como el combustible del futuro- es un proceso sostenible con un gran potencial, puesto que permite ahorrar agua potable, optimizar residuos y contribuir a la disminución del uso de recursos fósiles.

Inteligencia artificial y machine learning 

Esta investigación, precisamente, ha logrado optimizar el rendimiento de este proceso, que se lleva a cabo mediante fermentación oscura -un método que consiste en usar microorganimos anaerobios para descomponer la materia orgánica presente en el agua residual para producir biohidrógeno-, aunque, hasta ahora, con variables que afectan a su rendimiento y límites en su aplicación comercial.

El uso de la inteligencia artificial y machine learning -aprendizaje automático- abre, por tanto, una nueva vía para crear modelos predictivos que mejoren procesos químicos como el de la fermentación oscura.  “Estos modelos facilitan la identificación y el aprendizaje de patrones, lo que da como resultado una mayor precisión en las predicciones  y en el control del sistema”, afirma Rodríguez Castellón.

Un novedoso método que construte modelos predictivos

El trabajo de este consorcio internacional ha demostrado que es posible desarrollar modelos predictivos para este proceso, que mejoren su rendimiento, afinando el procedimiento y ahorrando tiempo y costes.

Igualmente, describe también un novedoso método asistido por inteligencia artificial que reemplazaría otros más convencionales, mediante el uso de datos de pruebas del mundo real para construir modelos predictivos. Además, este se ha utilizado para optimizar la recuperación de energía y minimizar los desechos orgánicos del proceso, mejorando su sostenibilidad.

Este estudio se ha llevado a cabo en el contexto de proyectos de investigación de la Universidad de Málaga sobre la optimización de recursos hídricos, financiado por la empresa ACOSOL, y sobre producción de hidrógeno y descarbonización, financiado por la Fundación Unicaja, así como por la Agencia Estatal de Investigación y el proyecto europeo ‘H2 Excellence’. La catedrática Olga Guerrero Pérez y la profesora M. Cruz López Escalante, ambas del Departamento de Ingeniería Química, son las otras dos científicas de la UMA autoras de este trabajo.

Referencia bibliográfica:

Anh Tuan Hoang, Wei-Hsin Chen, M. Olga Guerrero-Pérez, Enrique-Rodríguez Castellón, María Cruz López-Escalante, Van Nhanh Nguyen, Prabhu Paramasivam, Xuan Phuong Nguyen, Thanh Hai Truong (2026) Turning waste into energy: Application of machine learning and explainable artificial intelligence for determining key factors in wastewater-to-hydrogen conversion, Energy, Volume 344, 139934, ISSN 0360-5442, https://doi.org/10.1016/j.energy.2026.139934.