Classificação de minerais de ferro por espectroscopia Raman e aprendizado de máquina

• Ano de defesa: 2024
• Autor(a) principal: Queiroz, Alfredo Antonio Alencar Exposito de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de máquina; Espectroscopia Raman; Iron Minerals; Machine Learning; Minerais de ferro; Raman Spectroscopy
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/76/76135/tde-20032024-092246/

Os minerais são estudados e utilizados há milênios devido as suas propriedades únicas, suas aplicações envolvem diversas áreas de pesquisa e desenvolvimento (incluindo física de materiais, construção civil, mineração, saúde, entre outras). Estes materiais inorgânicos são fontes de matéria prima, trazem informação sobre as condições físicas e químicas necessárias para sua formação, servindo como um registro histórico de todos os processos que ocorreram na região específica em que são encontrados ou, até mesmo, sobre a própria dinâmica do planeta. Um dos cinco elementos mais abundantes na crosta terrestre é o ferro, presente em vários minerais (com diferentes composições químicas e estruturas cristalinas). Para diferenciar estes minerais, é necessário utilizar diversas técnicas experimentais, apenas algumas delas possibilitam a sua identificação sem muito preparo ou quantidade, como a espectroscopia Raman que permite analisar o espectro característico devido aos fônons da rede cristalina. Analisar os espectros Raman de cada espécie mineral e identificá-la, muitas vezes é um processo complexo, uma vez que diferentes fenômenos podem produzir espectros com diferentes comportamentos para uma mesma espécie; como por exemplo, a presença de impurezas, efeitos de polarização e variação da composição química. Portanto, torna-se necessário a utilização de modelos e algoritmos que consigam reconhecer os padrões espectrais de cada espécie e, assim, realizar a identificação do mineral de maneira mais confiável. Nesta situação, os modelos de aprendizagem de máquina se adequam devido a sua capacidade de se adaptar a problemática na qual estão inseridas. Neste trabalho foram utilizados modelos de aprendizado de máquina supervisionados para realizar a classificação dos minerais de ferro (principalmente óxidos) por meio de espectros Raman. Além disso, a confirmação da identificação dos minerais em estudo também foi efetuada por difração de raios X (determinação dos parâmetros de cela) e microscopia eletrônica (composição química). No trabalho foi utilizado o método dos mínimos quadrados assimétricos, para a remoção de ruído de fundo dos espectros Raman, e foram realizadas expansões artificiais (para aumentar a quantidade amostral de espectros) e métodos de redução (PCA, KPCA e LDA, para diminuir os parâmetros de entrada nos modelos), de modo a diminuir possíveis efeitos de sobreajuste. Diferentes modelos de aprendizado de máquina (redes neurais artificiais, vizinhos próximos, árvore de decisão, floresta aleatória e naive bayes) foram utilizados para realizar a classificação. Dentre os modelos, as redes neurais perceptron de múltiplas camadas e convolucionais apresentaram-se como as mais adequadas para realizar a automação da identificação uma vez que apresentaram acurácia de 0,942 e 0,958, respectivamente. Os resultados obtidos permitem concluir que as redes neurais possibilitam a automação da identificação dos espectros Raman de minerais de ferro com desempenho bastante satisfatório.