Hydrodesulfurization of Dibenzothiophene: A Machine Learning Approach
Dr. Guadalupe Castro,
Dr. Julián Cruz‐Borbolla,
Dr. Marcelo Galván,
Dr. Alfredo Guevara‐García,
Dr. Joel Ireta,
Dr. Myrna H. Matus,
Dr. Amilcar Meneses‐Viveros,
Dr. Luis Ignacio Perea‐Ramírez,
Miriam Pescador‐Rojas
Affiliations
Dr. Guadalupe Castro
Departamento de Química Universidad Autónoma Metropolitana-Iztapalapa Av. Ferrocarril San Rafael Atlixco 186, Col. Leyes de Reforma 1 A Sección, Iztapalapa C.P. 09310 Ciudad de México México
Dr. Julián Cruz‐Borbolla
Área Académica de Química Centro de Investigaciones Químicas – Universidad Autónoma del Estado de Hidalgo Carretera Pachuca-Tulancingo km. 4.5, Ciudad del Conocimiento C.P. 42184 Mineral de la Reforma, Hidalgo México
Dr. Marcelo Galván
Departamento de Química Universidad Autónoma Metropolitana-Iztapalapa Av. Ferrocarril San Rafael Atlixco 186, Col. Leyes de Reforma 1 A Sección, Iztapalapa C.P. 09310 Ciudad de México México
Dr. Alfredo Guevara‐García
Departamento de Química CONAHCYT-Universidad Autónoma Metropolitana-Iztapalapa Av. Ferrocarril San Rafael Atlixco 186, Col. Leyes de Reforma 1 A Sección, Iztapalapa C.P. 09310 Ciudad de México México
Dr. Joel Ireta
Departamento de Química Universidad Autónoma Metropolitana-Iztapalapa Av. Ferrocarril San Rafael Atlixco 186, Col. Leyes de Reforma 1 A Sección, Iztapalapa C.P. 09310 Ciudad de México México
Dr. Myrna H. Matus
Instituto de Química Aplicada Universidad Veracruzana Av. Luis Castelazo Ayala s/n, Col. Industrial-Ánimas, A.P. 575 Xalapa, Ver. México
Dr. Amilcar Meneses‐Viveros
Departamento de Computación CINVESTAV-IPN Av. IPN 2508, Col. San Pedro Zacatenco, C.P. 07360 Ciudad de Mexico México
Dr. Luis Ignacio Perea‐Ramírez
Instituto de Química Aplicada Universidad Veracruzana Av. Luis Castelazo Ayala s/n, Col. Industrial-Ánimas, A.P. 575 Xalapa, Ver. México
Miriam Pescador‐Rojas
Escuela Superior de Cómputo, Instituto Politécnico Nacional Instituto Politécnico Nacional Av. Juan de Dios Bátiz s/n, esq. Av. Miguel Othón de Mendizabal, Col. Lindavista, Gustavo A. Madero, C. P. 07738 Ciudad de México México
Abstract The hydrodesulfurization (HDS) process is widely used in the industry to eliminate sulfur compounds from fuels. However, removing dibenzothiophene (DBT) and its derivatives is a challenge. Here, the key aspects that affect the efficiency of catalysts in the HDS of DBT were investigated using machine learning (ML) algorithms. The conversion of DBT and selectivity was estimated by applying Lasso, Ridge, and Random Forest regression techniques. For the estimation of conversion of DBT, Random Forest and Lasso offer adequate predictions. At the same time, regularized regressions have similar outcomes, which are suitable for selectivity estimations. According to the regression coefficient, the structural parameters are essential predictors for selectivity, highlighting the pore size, and slab length. These properties can connect with aspects like the availability of active sites. The insights gained through ML techniques about the HDS catalysts agree with the interpretations of previous experimental reports.