Banca de QUALIFICAÇÃO: MATEUS FERNANDES MONTEIRO

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE : MATEUS FERNANDES MONTEIRO
DATA : 30/05/2025
HORA: 08:30
LOCAL: Auditório do Nupeg e https://meet.google.com/yuj-ufqs-apf (modo híbrido)
TÍTULO:

Comportamento Volumétrico de Soluções Eletrolíticas Aquosas: desenvolvimento de modelo de aprendizado de máquina baseado em simulação de dinâmica molecular

PALAVRAS-CHAVES:

Extenso Banco de dados de densidade; Dinâmica molecular no ensemble NPT; Método de contribuição de grupos; Otimização bayesiana de hyperparametros.

PÁGINAS: 110
RESUMO:

A previsão precisa da densidade em soluções aquosas de eletrólitos é crucial para entender seu comportamento em diversos processos industriais e contextos ambientais, em aplicações que vão desde a síntese química até sistemas biológicos. Para enfrentar os desafios associados ao cálculo de densidade, modelos e teorias sofisticadas foram desenvolvidos. As simulações por dinâmica molecular (MD), particularmente as simulações NPT, oferecem uma ferramenta poderosa para estudar esses sistemas no nível molecular. Utilizando simulações MD no ensemble NPT, este estudo descreve o comportamento da densidade de 32 soluções aquosas binárias de eletrólitos em uma ampla faixa de temperatura (T = 278,15 a 368,15 K) e pressão (P = 0,1 a 100 MPa) para concentrações desde a diluição infinita até soluções concentradas, gerando um conjunto de dados com 8.360 pontos pseudo-experimentais. A incerteza foi estimada para todos os dados utilizando a técnica de bootstrap, e os resultados estiveram de acordo com os dados experimentais. A acurácia dos cálculos MD foi validada sistematicamente considerando dados experimentais e modelos semi-empíricos (AAD < 19 kg·m-3 e ∆ρ < 2, 0% para todas as espécies de eletrólitos), demonstrando o sucesso dos cálculos de MD. A extensa base de dados de densidade calculada neste estudo foi utilizada para o treinamento de modelos de aprendizagem de máquina (ML). Foram avaliados algoritmos clássicos (árvore de decisão e KNN) bem como tecnicas de boost (e.g. gradient boosting and extra trees). Para todos os modelos foram conduzidas vareduras de hyperparametros utilizando-se das melhores práticas de MLOps na plataforma Weights & Biases. Considerando uma fatia de dados de teste de 10 % do banco de dados foi demonstrado o sucesso do modelo na predição da densidade (AAD < 19 kg·m-3 e ∆ρ < 2, 0% para todas as espécies de eletrólitos). Ademais, as predições foram comparadas com uma base de dados experimentais da literatura (10.000 pontos experimentais). AAD < 19 kg·m-3 e ∆ρ < 2, 0% para todas as espécies de eletrólitos corroboram a acurácia dos modelos desenvolvidos. Por fim, os modelos de ML para soluções aquosas de eletrólitos apresentados neste trabalho, contribuem para o design e a otimização de processos de engenharia química.

MEMBROS DA BANCA:
Presidente - 1149554 - OSVALDO CHIAVONE FILHO
Interna - 1543286 - CAMILA GAMBINI PEREIRA COURTIAL
Externo à Instituição - ANDERSON ALLES DE JESUS - UNIT
Externo à Instituição - HERBERT SENZANO LOPES - UFRN
Externa à Instituição - MARIA CARLENISE PAIVA DE ALENCAR MOURA - UFRN