OPeCOV-ML propone una estrategia de optimización para dos procesos clave en la separación de compuestos orgánicos volátiles (COVs), seleccionados por su relevancia global y su aplicabilidad en el contexto colombiano, donde la alta disponibilidad de biomasa representa una ventaja estratégica. Estos procesos son: 1) la purificación de acetona, butanol y etanol (proceso ABE) y 2) la producción de acetato de etilo. Ambas mezclas presentan desafíos técnicos importantes, como la formación de múltiples azeótropos y elevados requerimientos energéticos. Como solución, se plantea el uso de esquemas de pervaporación, una tecnología en la que el Semillero en Nuevas Tecnologías de Separación (NTS) ha logrado avances significativos mediante el desarrollo de modelos híbridos. Estos modelos integran ecuaciones de transporte en membranas con algoritmos de machine learning, lo que permite optimizar los procesos de separación. Para ampliar el alcance de investigaciones previas del NTS, la optimización se basará en dichos modelos híbridos, reduciendo la incertidumbre en la selección de membranas y facilitando la identificación de configuraciones con mejores indicadores de sostenibilidad. Además, se explorarán sistemas híbridos que combinen pervaporación y destilación con dos objetivos principales: 1) evaluar comparativamente el desempeño sostenible de las configuraciones propuestas y 2) identificar sinergias entre ambas tecnologías, analizando escenarios de modernización de plantas existentes con el fin de minimizar los costos de capital. La implementación de esta estrategia requerirá el desarrollo de nuevos modelos predictivos para el transporte en membranas, especialmente en la producción de acetato de etilo, donde la pervaporación puede intensificar la reacción química. En el caso específico de la producción de acetato de etilo, se propone explorar redes neuronales informadas por la física (Physics-Informed Neural Networks, PINN), integrando modelos físicos con estrategias de machine learning en paralelo. Esta aproximación representa un enfoque innovador: si bien el NTS ha trabajado previamente en estrategias de modelado híbrido en las que se incorporan parámetros o respuestas de modelos basados en ecuaciones de transporte a algoritmos de machine learning, el uso de PINN introduce una nueva dimensión metodológica. Ambas estrategias —la híbrida tradicional y la basada en PINN— serán exploradas y comparadas. Para validar estos desarrollos, se construirá una base de datos que integre diversos procesos intensificados de reacción-separación basados en estrategias de pervaporación. Esta base de datos será una herramienta clave para verificar la precisión y aplicabilidad de los modelos propuestos. Finalmente, la estrategia contempla escenarios de electrificación de planta mediante el uso de bombas de calor, lo que facilitará la integración de fuentes de energía renovable y permitirá reducir el consumo energético. En conjunto, la estrategia presentada en OPeCOV-ML adopta un enfoque multidisciplinario que integra el diseño de procesos no convencionales en ingeniería química con herramientas de ingeniería informática y computacional, así como técnicas de optimización orientadas a maximizar parámetros de sostenibilidad. Esto no solo ampliará el impacto científico del proyecto, sino que también promoverá la formación de estudiantes en temas de vanguardia en ingeniería. Los resultados en formación incluyen la dirección de dos trabajos de grado a nivel de pregrado, lo cual contribuirá a la formación de talento humano altamente calificado, un elemento clave para la adopción y consolidación de tecnologías emergentes. Asimismo, se prevé la publicación de al menos dos artículos científicos en revistas internacionales indexadas, centrados en la aplicación de estrategias de machine learning para la separación por pervaporación en los dos casos de estudio propuestos. Adicionalmente, los resultados serán difundidos en al menos un congreso nacion