Desenvolvimento de modelo computacional baseado em machine learning para predição de propriedades anticorrosivas de compósitos poliméricos aditivados com grafeno
Resumo
Os males diretos e indiretos causados pelo fenômeno corrosivo na
deterioração de metais representam gastos e consequências muitas vezes
incomensuráveis, afetando não só os setores públicos, comerciais e industriais, mas
também representando problemas de cunho ambiental e saúde pública. Uma
abordagem que tem cada vez mais despertado o interesse do meio científico e
industrial é a utilização de nanocompósitos poliméricos com propriedades
anticorrosivas, atuando como barreira entre o substrato metálico e o meio corrosivo.
Estes nanocompósitos são desenvolvidos a partir da combinação de uma matriz
polimérica e nanopartículas (fase dispersa) de propriedades desejáveis, que
resultarão num material com propriedades otimizadas. Contudo, devido à amplitude
de combinações possíveis entre compostos nas mais diversas concentrações, torna se inviável analisar, por meio de métodos convencionais, quais combinações são
ideias para uma aplicação específica. Para contornar este problema pode-se recorrer
ao uso de modelos preditivos baseados em aprendizado de máquina (Machine
Learning). Em vista disso, neste trabalho, foram estudados modelos computacionais
baseados em Machine Learning, para a predição de características anticorrosivas de
nanocompósitos poliméricos. Foram catalogados 100 artigos da literatura, resultando
em um conjunto de dados com 40 instâncias. Os modelos de regressão para predizer
o potencial de corrosão do aço carbono recoberto com os nanocompósitos
selecionados foram treinados através da abordagem de aprendizado de máquina
automatizado (AutoML), sendo utilizadas ferramentas de quimioinformática para
adequar a representação dos polímeros constituintes de cada compósito. Quando a
variável resposta para o teste do modelo foi representada pelo potencial de corrosão
obteve-se um valor da métrica de avaliação relativamente baixo para o erro
quadrático médio (𝑅
2 = 0,143). No entanto, pôde-se observar um melhor resultado
para o erro quadrático médio (𝑅
2 = 0,429) no teste do modelo quando a variável
resposta é representada pela diferença entre potenciais de corrosão, com e sem a
presença do óxido de grafeno nos nanocompósitos.
Collections
Os arquivos de licença a seguir estão associados a este item: