Construção de modelos de aprendizado de máquina para predição de tensão de ruptura de nanocompositos baseados em grafenos e derivados

Visualizar/ Abrir
Data
2024-01-10Autor
Freitas, Lucas Covello de
https://lattes.cnpq.br/6113170993475576
Metadata
Mostrar registro completoResumo
O desenvolvimento de materiais nanocompósitos através de estudos experimentais
para análise de propriedades mecânicas é uma atividade dispendiosa, que requer
tempo e esforço considerável. Em paralelo, técnicas avançadas de Aprendizado de
Máquina (AM) surgiram como uma alternativa promissora para gerar informações e
previsões de forma eficiente, sendo utilizado também para predição de propriedades
mecânicas de nanocompósitos poliméricos à base de grafeno. Assim, o objetivo deste
trabalho foi desenvolver um modelo de AM para predição da tensão de ruptura de
nanocompósitos poliméricos utilizando grafeno e derivados como material de reforço.
Neste trabalho foi criado de forma independente uma base de dados da literatura
acadêmica, onde abordou estudos da tensão de ruptura de nanocompósitos
poliméricos utilizando grafeno e derivados como material de reforço, e em paralelo,
fez uso da quimioinformática, baseando-se na técnica de AM não supervisionado,
Mol2vec, para gerar informações baseadas na estrutura de polímeros. Com isso,
formou uma base de dados única e utilizou-se o Auto-Sklearn para prever o ganho de
tensão de ruptura a partir da adição de grafeno em nanocompósitos poliméricos. O
Auto-sklearn, utilizando-se um modelo pré-treinado de Mol2vec com dimensão 300
obteve-se como o melhor modelo de regressão obtido o baseado em Processos
Gaussianos (Gaussian Process), que apresentou um valor de R² de 0.769. Esta
aplicação demonstrou que o modelo de AM não supervisionado fornece informações
de forma eficiente utilizando estruturas moleculares em composição com
nanocompósitos, extraindo informações complementares para o processo de predição
de propriedades mecânicas através de modelos de AM. Esta implementação surge
como uma alternativa para reduzir a necessidade de geração de dados empíricos em
problemas de análise de propriedades mecânicas, acelerando o processo de
avaliação de compostos nanocompósitos.
Collections
Os arquivos de licença a seguir estão associados a este item: