Desenvolvimento de modelo computacional baseado em Machine Learning para predição de propriedades anticorrosivas de compósitos poliméricos aditivados com grafeno

Aug 2, 2026

Carregar por Finn

A corrosão provoca danos diretos e indiretos na deterioração de metais, gerando custos elevados e impactos ambientais e de saúde pública. O trabalho investiga nanocompósitos poliméricos com propriedades anticorrosivas, que funcionam como barreira entre o substrato metálico e o meio corrosivo. Devido ao grande número de combinações possíveis de matriz polimérica e nanopartículas, utilizam-se modelos preditivos baseados em aprendizado de máquina. Foram catalogados 100 artigos, formando um conjunto com 40 instâncias, e avaliou-se o desempenho por AutoML e métricas de erro quadrático médio.

IdiomaPortuguese

CategoriaPesquisa e Relatórios

FormatoPDF

Páginas53

Tempo de leitura1 h 22 min

AcessoDownload gratuito

Índice

Resumo

Palavras-chave

Introdução

Motivação e problema

Nanocompósitos e necessidade de modelos preditivos

Metodologia

Catalogação de artigos e construção do dataset

AutoML e modelos de regressão

Representação dos polímeros com quimioinformática

Resultados

Métricas e comparação das variáveis resposta

Conclusões

Desempenho dos modelos e interpretação

INSTITUTO FEDERAL DE CIÊNCIA E TECNOLOGIA DE PERNAMBUCO Campus Recife CACSEM Curso de Bacharelado em Engenharia Mecânica FÁBIO HENRIQUE PALMEIRA SILVA DESENVOLVIMENTO DE MODELO COMPUTACIONAL BASEADO EM MACHINE LEARNING PARA PREDIÇÃO DE PROPRIEDADESANTICORROSIVAS DE COMPÓSITOS POLIMÉRICOS ADITIVADOS COM GRAFENO Recife FÁBIO HENRIQUE PALMEIRA SILVA DESENVOLVIMENTO DE MODELO COMPUTACIONAL BASEADO EM MACHINE LEARNING PARA PREDIÇÃO DE PROPRIEDADESANTICORROSIVAS DE COMPÓSITOS POLIMÉRICOS ADITIVADOS COM GRAFENO Trabalho de conclusão de cursoapresentado ao Departamento de Engenharia Mecânica do Instituto Federal de Ciência e Tecnologia de Pernambuco, como requisito para a obtenção do título de Bacharel em Engenharia Mecânica. Orientador: Prof. Dr. Frederico Duarte de Menezes Recife S586d 2023 Silva, Fábio Henrique Palmeira. Desenvolvimento de modelo computacional baseado em Machine Learning para predição de propriedades anticorrosivas de compósitos poliméricos aditivados com grafeno / Fábio Henrique Palmeira Silva. ---Recife: O autor, 2023. [52f. il. Color](52f. il. Color). TCC (Curso de Engenharia Mecânica)– Instituto Federal de Pernambuco, Recife, 2023. Inclui Referências. Orientador: Professor Dr. Frederico Duarte de Menezes. 1. Corrosão. 2. Nanocompósitos poliméricos. 3. Machine Learning. I. Título. II. Menezes, Frederico Duarte de (orientador) . III. Instituto Federal de Pernambuco. CDD 620.1 (22ed. ) Catalogação na fonte: Emmely Silva CRB4/1876 DESENVOLVIMENTO DE MODELO COMPUTACIONAL BASEADO EM MACHINE LEARNING PARA PREDIÇÃO DE PROPRIEDADESANTICORROSIVAS DE COMPÓSITOS POLIMÉRICOS ADITIVADOS COM GRAFENO Recife, | Professor Orientador | | --- | | Convidado 1 | Convidado 2 Recife 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, mastambém 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 propriedadesanticorrosivas, 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, tornase inviável analisar, por meio de métodos convencionais, quais combinações sãoideias para uma aplicação específica. Para contornar este problema pode-se recorrerao uso de modelos preditivos baseados em aprendizado de máquina (Machine Learning) . Em vista disso, neste trabalho , foram estudados modelos computacionaisbaseados 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 predizero potencial de corrosão do aço carbono recoberto com os nanocompósitosselecionados 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 avariável resposta para o teste do modelo foi representada pelo potencial de corrosãoobteve-se um valor da métrica de avaliação relativamente baixo para o erro quadrático médio (􀜴2 = 0, 143) . No entanto , pôde-se observar um melhor resultado para o erro quadrático médio (􀜴2 = 0,429) no teste do modelo quando a variável resposta é representada pela diferença entre potenciais de corrosão , com e sem apresença do óxido de grafeno nos nanocompósitos. Palavras-chave: Corrosão; Nanocompósitos; Machine Learning; Quim

Perguntas frequentes

Qual é o objetivo principal do trabalho?

Desenvolver modelos computacionais baseados em aprendizado de máquina para prever características anticorrosivas de nanocompósitos poliméricos aditivados com grafeno.

Como o conjunto de dados foi construído?

Foram catalogados 100 artigos da literatura, resultando em um conjunto de dados com 40 instâncias para treinamento e teste dos modelos.

Quais variáveis resposta foram usadas para avaliar o desempenho do modelo?

O estudo considerou o potencial de corrosão do aço carbono recoberto e, também, a diferença entre potenciais de corrosão com e sem presença de óxido de grafeno.

Qual abordagem de aprendizado de máquina foi empregada no treinamento?

Os modelos de regressão foram treinados com aprendizado de máquina automatizado (AutoML), com uso de ferramentas de quimioinformática para adequar a representação dos polímeros constituintes.

Aug 2, 2026

Carregar por Finn