Detalhes bibliográficos
| Ano de defesa: |
2023 |
| Autor(a) principal: |
LIMA, Amanda Marques de |
| Orientador(a): |
LONGO, Ricardo Luiz,
SILVA, Juliana Angeiras Batista da |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso embargado |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal de Pernambuco
|
| Programa de Pós-Graduação: |
Programa de Pos Graduacao em Quimica
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.ufpe.br/handle/123456789/52602
|
Resumo: |
Vários líquidos e misturas apresentam interações por ligações de hidrogênio (HB) que causam sua estruturação e são responsáveis por várias propriedades. Abordagens de redes complexas e estatística de ilhas apresentam desafios na análise desses sistemas devido à necessidade de adoção de critérios geométricos/energéticos, na implementação do código, interpretação dos resultados e no custo computacional. Buscando novos métodos, este trabalho visa utilizar técnicas de aprendizagem de máquina no estudo da agregação e identificação de padrões na água em diferentes temperaturas, em misturas aquosas em diferentes frações molares, e em água confinada em micela reversa. O DBSCAN foi utilizado no agrupamento das distâncias entre o centro de massa das moléculas e os resultados foram comparados aos da estatística de ilhas. Regressão Logística, Floresta Aleatória e Redes Neurais foram utilizadas na classificação da densidade espectral. O DBSCAN proporcionou resultados condizentes aos da estatística de ilhas, com menor custo computacional e maior facilidade de interpretação. O minP ts = 2 descreveu bem todos os sistemas e os melhores valores de eps são próximos à distância máxima da HB, exceto nas misturas de água-amônia. Na classificação, as melhores métricas foram obtidas com Redes Neurais. As densidades espectrais da água em temperaturas ou de misturas com frações molares próximas são similares, por isso, foi necessário mesclá-las. Para a água, as redes de HB de temperaturas mais baixas são mais similares que em temperaturas mais altas. O número de moléculas de água confinadas foi determinante na estrutura da rede de HB. Nas misturas, frações molares que contém um grupo com quase todas as moléculas foram confundidas entre si, mas quando este agregado foi quebrado, a classificação melhorou. A adição de poucas moléculas de soluto não causa muitas mudanças na rede de HB da água, mas a rede de HB dos solutos é alterada pela adição de poucas moléculas de água. Dentre as misturas, as melhores métricas foram obtidas com o n-butanol, seguido do t-butanol, metanol e amônia. Os resultados da classificação corroboraram os do agrupamento. Portanto, os métodos de aprendizagem de máquina podem ser utilizados no estudo de líquidos e misturas e suas redes de HB. Espera-se que esses resultados possam abrir novos caminhos para a aplicação dessas ferramentas em tais estudos e na teoria de redes complexas. |
