Predicción del rendimiento mediante aprendizaje automático del fotocatalizador heteroestructura en Z-scheme g-C3N4/SnS2 para la mineralización completa de índigo carmín y elucidación de las vías de degradación

Convertir la luz solar en una herramienta para limpiar el agua

Muchos productos cotidianos —desde vaqueros y papel hasta medicamentos y colorantes alimentarios— usan colorantes sintéticos intensos que pueden permanecer en ríos y lagos durante años. Uno de estos colorantes, el índigo carmín, aporta un azul intenso pero también es tóxico y difícil de eliminar una vez que llega a las aguas residuales. Este estudio explora un material impulsado por la luz solar que no solo puede quitar el color de este tinte, sino también descomponerlo por completo en sustancias simples e inofensivas, con la ayuda del aprendizaje automático para predecir qué tan bien funcionará el proceso en condiciones reales.

Un tinte azul persistente en nuestras aguas

El índigo carmín se utiliza ampliamente porque es barato, vivo y estable, precisamente las características que lo hacen difícil de eliminar. Los métodos de tratamiento comunes, como la filtración, la adsorción en sólidos o la coagulación química, a menudo solo trasladan el colorante del agua a otro lugar en vez de destruirlo realmente. Peor aún, los residuos resultantes pueden plantear problemas de eliminación. Lo que se necesita con urgencia son métodos que realmente “mineralicen” el tinte, es decir, que lo descompongan en moléculas básicas como dióxido de carbono y agua, sin dejar contaminación orgánica persistente.

Diseñando un material limpiador impulsado por la luz

Los investigadores crearon un nuevo fotocatalizador —un material que utiliza la luz para impulsar reacciones químicas— combinando dos semiconductores conocidos en un par de tipo Z-scheme. Un componente, el nitruro de carbono gráfico (g-C3N4), es un material estratificado sin metales que puede absorber luz visible pero sufre pérdida rápida de cargas excitadas. El otro, disulfuro de estaño (SnS2), es un material de banda estrecha que captura la luz solar de forma eficiente y se adhiere bien a los colorantes pero que por sí solo actúa principalmente como una esponja, reteniendo el tinte en lugar de destruirlo. Mediante un proceso térmico sencillo en una sola etapa, el equipo ancló pequeñas partículas de SnS2 sobre láminas finas de g-C3N4 en distintas cargas, formando “heteroestructuras” fuertemente enlazadas que fueron confirmadas por mediciones de rayos X, microscopía electrónica y espectroscopía como bien acopladas y estructuralmente limpias.

De residuo coloreado a agua clara

Cuando estos materiales se probaron bajo luz solar real contra agua que contenía índigo carmín, destacó una muestra: el compuesto con un 5 por ciento de SnS2 (denominado GS5). Eliminó todo el color visible en 30 minutos con una cantidad moderada de catalizador y mineralizó alrededor de tres cuartas partes del carbono orgánico, mostrando que la mayor parte del tinte fue realmente destruida y no solo enmascarada. Incluso a concentraciones de tinte cinco veces mayores, el mismo material aún eliminó casi el 89 por ciento de la contaminación, superando claramente a los ingredientes por separado y a sistemas similares reportados en otros estudios. El catalizador también funcionó en un amplio rango de pH, toleró múltiples reusos durante cinco ciclos y mantuvo su estructura intacta, lo que sugiere que podría ser práctico para el tratamiento continuo de aguas.

Cómo funciona el catalizador a escala atómica

En el corazón de la mejora está la forma en que los dos componentes comparten y separan las cargas eléctricas cuando la luz solar los incide. En una disposición Z-scheme, los electrones de un material se recombinan con huecos en el otro, dejando atrás huecos con un poder oxidante especialmente alto y electrones reductores en lados opuestos. Estos impulsan la formación de especies oxigenadas altamente reactivas en el agua, que atacan y fragmentan las moléculas del tinte. Pruebas con agentes captadores —donde se bloquean selectivamente especies reactivas específicas— mostraron que los radicales superóxido (una forma reactiva del oxígeno) desempeñan el papel principal, mientras que los radicales hidroxilo intervienen en menor medida. Un análisis químico detallado del agua tratada mediante cromatografía de gases acoplada a espectrometría de masas reveló una secuencia de moléculas intermedias que se van reduciendo paso a paso en fragmentos más pequeños y menos nocivos, y finalmente en ácidos simples cercanos a la mineralización completa.

Permitir que los algoritmos predigan el rendimiento

Para acercar los hallazgos de laboratorio al uso práctico, el equipo entrenó varios modelos de aprendizaje automático con sus datos experimentales. Estos modelos tomaron variables como el tiempo de exposición y la concentración del tinte y aprendieron a predecir cuánto tinte se eliminaría en cada condición. Entre los enfoques evaluados —Random Forest, máquinas de vectores de soporte, redes neuronales y gradient boosting— Random Forest ofreció las predicciones más precisas y estables, coincidiendo estrechamente con las eficiencias de remoción medidas. Esto significa que, una vez entrenados, dichos modelos pueden pronosticar rápidamente cómo funcionaría el catalizador en nuevos escenarios sin tener que realizar numerosos experimentos adicionales, guiando a los ingenieros hacia condiciones de tratamiento óptimas.

Qué significa esto para aguas más limpias

Para el público general, el mensaje es claro: este trabajo demuestra un material de bajo coste impulsado por la luz solar que puede limpiar rápidamente un tinte industrial difícil y destruirlo en gran medida en lugar de limitarse a ocultarlo. El catalizador es fácil de fabricar, requiere solo pequeñas cantidades para ser efectivo y puede reutilizarse varias veces, lo que lo hace atractivo para el tratamiento real de aguas residuales. Al combinar experimentos cuidadosos con herramientas modernas de aprendizaje automático, el estudio también muestra cómo podemos diseñar y ajustar con mayor inteligencia las futuras tecnologías de limpieza del agua, acelerando el camino desde el descubrimiento en el laboratorio hasta ríos y lagos más limpios y prácticos.

Cita: Gaur, R., Parmar, H., Patel, J. et al. Machine learning-driven performance prediction of Z-scheme g-C₃N₄/SnS₂ heterostructure photocatalyst for complete mineralization of indigo carmine and elucidation of degradation pathways. Sci Rep 16, 6403 (2026). https://doi.org/10.1038/s41598-026-37528-5

Palabras clave: purificación del agua, fotocatálisis, tratamiento de aguas residuales, aprendizaje automático, colorantes industriales