Het streven naar een circulaire economie heeft geleid tot het heronderzoeken van verschillende bestaande chemische processen, met als doel hun duurzaamheid te verhogen. Binnen het gebied van de chemische recyclage kan de Fischer-Tropsch Synthese (FTS) een sleutelrol spelen aangezien de grondstof voor het proces, i.e., syngas, verkregen kan worden uit de vergassing van plastics. Om fischer tropsch in detail te bestuderen, zijn modelleringsbenaderingen nodig.Dit creëert een opportuniteit voor de eenvoudiger te ontwikkelen machine learning (ML). Het potentieel van zowel de microkinetische als ML methodes wordt onderzocht in deze thesis met als doelstelling een optimale katalysator te identificeren voor een verhoogde lichte olefine selectiviteit met de daarbij horende werkcondities. Het onderzoek dat verricht werd doelde op het gebruik van ML modellen in combinatie met mechanistische modellen om zowel de computationele als de manuele werklast te verminderen. Zo kan, bijvoorbeeld, een preliminaire analyse van high-throughput data uitgevoerd worden met een ML model om potentieel interessante zones van de parameterruimte te identificeren om dan vervolgens een gerichte en diepgaande analyse uit te voeren met een mechanistisch model.