A grande maioria dos dados experimentais de adsorção apresentam comportamento não linear. Dados de cinética de adsorção e isotermas de adsorção geralmente apresentam comportamento exponencial. Já os dados de leito-fixo apresentam comportamento senoide. Por isto, a maioria dos modelos utilizados são não-lineares (Langmuir, Freundlich, Thomas, etc.). 

Contudo, quando estes modelos foram desenvolvidos, o gasto computacional para resolver o sistema de equações do método dos mínimos quadrados era elevado. Em muitos casos isto impossibilitava o ajuste do modelo. Assim, era comum linearizar o modelo (e os dados) para simplificar os cálculos e ser possível obter uma estimativa dos coeficientes do modelo. Porém, está linearização vem com um preço: ela distorce o comportamento dos dados, especialmente para concentrações baixas. Mas claro, este preço era baixo comparado com o esforço computacional necessário para realizar o ajuste não linear.

Isto não é mais verdade nos dias de hoje. O gasto computacional para resolver o sistema de equação é mínimo, e poucas coisas justificam a distorção causada pela linearização dos dados. O CAVS - adsorption evaluation resolve este problema adotando método de regressão não linear com todos os modelos incluídos.

Os resultados da regressão de diversos modelos geralmente são comparados apenas pelo coeficiente de determinação ($R^2$), que é uma função ineficaz para tomada de decisão em modelos não lineares como são a grande maioria dos modelos avaliados na área.

A adequada avaliação dos resultados deve utilizar métodos adequados que verifiquem se o modelo é estatisticamente adequado para representar o conjunto de dados. Para enfrentar este problema, o CAVS - Adsorption Evaluation oferece uma série de 5 testes para avaliar o resultado da regressão. Esses testes examinam a regressão como um todo, os parâmetros dos modelos bem como os resíduos, verificando se as premissas do método dos mínimos quadrados se sustentam. Os resultados são apresentados com um simples “Sim” e “Não”, para uma rápida interpretação dos resultados. Porém, todos os valores estimados para cada teste são descritos, permitindo o seu uso nas publicações.

Para enfrentar o problema do uso excessivo do $R^2$ na comparação de modelos, o CAVS - Adsorption Evaluation utiliza critérios de informação. Através destes critérios os modelos são comparados e então ranqueados, indicando o modelo mais provável de ser a melhor representação dos dados experimentais.