A Comparison of Machine Learning Approaches in Predicting Viscosity for Partially Hydrolyzed Polyacrylamide Derivatives

Kelly Cristine Da Silveira; Matheus Henrique Silva  Siqueira; João Matheus Ramos  Gama; Jonathan Nogueira  Gois; Cláudio Fabiano Motta  Toledo; Antônio J.  Silva Neto

doi:10.14295/vetor.v33i1.15157

Autores

Kelly Cristine Da Silveira Universidade do Estado do Rio de Janeiro, Instituto Politécnico, Nova Friburgo, RJ, Brasil http://orcid.org/0000-0002-6055-6778
Matheus Henrique Silva Siqueira Universidade do Estado do Rio de Janeiro, Instituto Politécnico, Nova Friburgo, RJ, Brasil https://orcid.org/0000-0003-2178-9779
João Matheus Ramos Gama Universidade do Estado do Rio de Janeiro, Instituto Politécnico, Nova Friburgo, RJ, Brasil
Jonathan Nogueira Gois Centro Federal de Educação Tecnológica Celso Suckow da Fonseca, Nova Friburgo, RJ, Brasil https://orcid.org/0000-0002-2859-7668
Cláudio Fabiano Motta Toledo Universidade de São Paulo, Instituto de Ciências Matemáticas e de Computação, São Carlos, SP, Brasil https://orcid.org/0000-0003-4776-8052
Antônio J. Silva Neto Universidade do Estado do Rio de Janeiro, Instituto Politécnico, Nova Friburgo, RJ, Brasil https://orcid.org/0000-0002-9616-6093

DOI:

https://doi.org/10.14295/vetor.v33i1.15157

Palavras-chave:

Poliacrilamida parcialmente hidrolisada, Aprendizado de máquina, Viscosidade

Resumo

Poliacrilamidas parcialmente hidrolisadas (HPAM) são amplamente utilizadas para modular a viscosidade de formulações. A aplicação adequada de um modelo de viscosidade pode facilitar a idealização de novas macromoléculas e contribuir para um melhor entendimento da relação estrutura-propriedade. No presente estudo, abordagens de aprendizado de máquina, Regressão Linear Múltipla (MLR) e Floresta Aleatória (RF), foram comparadas para modelar o efeito viscosificante de derivados HPAM, com base em sua composição química e concentração em uma solução aquosa. Os dados avaliados provêm de um estudo experimental anterior, que explora uma metodologia de modificação pós-sintética de polímeros. A importância relativa das variáveis foi investigada, determinando as características com maior influência na viscosidade, incluindo variações na composição química, com destaque para os grupos mais hidrofóbicos (C7 e C12). A acurácia dos modelos foi avaliada por meio de critérios estatísticos, coeficiente de determinação (R²) e Root Mean Square Error (RMSE). A abordagem Floresta Aleatória superou a Regressão Linear Múltipla, com valores de 0,97 e 0,30 para R² e RMSE, respectivamente, em comparação com 0,83 e 0,67 para Regressão Linear Múltipla. Aplicando o modelo Floresta Aleatória, foi possível gerar um conjunto de macromoléculas hipotéticas, com potenciais efeitos viscosificantes. Esses polímeros foram idealizados com foco em composições mistas de C7 e C12, com variação estrutural máxima de 10 mol%. Adicionalmente, o mapeamento estrutural forneceu subsídios para o design de polímeros promissores através da inserção de estruturas cíclicas, como CYCLOPROP, o que pode superar a limitação de solubilidade observada na literatura.

Downloads

Não há dados estatísticos.

Referências

E. F. Lucas, L. S. Spinelli, C. N. Khalil, “Polymers Applications in Petroleum Production”. In Encyclopedia of Polymer Science and Technology, 5th ed., 2015, pp. 01-49. Available at: https://doi.org/10.1002/0471440264.pst641.

Y. Feng, L. Billon, B. Grassl, A. Khoukh, and J. François, “Hydrophobically associating polyacrylamides and their partially hydrolyzed derivatives prepared by post-modification. 1. Synthesis and characterization,” Polymer, vol. 43, pp. 2055-2064, 2002. Available at: https://doi.org/10.1016/S0032-3861(01)00774-1.

W. Kuang, and C. W. Gao, “Synthesis and Characterization of Novel Twin-Tailed Hydrophobically Associated Copolymers and Their Applications to Cr(III) Removal from Aqueous Solutions,” Journal of Applied Polymer Science, vol. 131, 41028, 2014. Available at: https://doi.org/10.1002/app.41028.

K. C. Da Silveira, Q. Sheng, W. Tian, E.F. Lucas, and C. D. Wood, “Libraries of modified polyacrylamides using post-synthetic modification,” Journal of Applied Polymer Science, vol. 132, no. 47, 2015. Available at: https://doi.org/10.1002/app.42797.

J. N. Kumar, Q. Li, K.Y. Tang, T. Buonassisi, A. L. Gonzalez-Oyarce, and J. Ye, “Machine learning enables polymer cloud-point engineering via inverse design,” Npj Computational Materials, vol 5, pp. 1-6, 2019. Available at: https://doi.org/10.1038/s41524-019-0209-9.

L. Chen, G. Pilania, R. Batra, T. D. Huan, C. Kim, C. Kuenneth, and R. Ramprasad, “Polymer informatics: Current status and critical next steps,” Materials Science and Engineering: R: Reports, vol. 144, 100595, 2021. Available at: https://doi.org/10.1016/j.mser.2020.100595.

S. Wu, Y. Kondo, M. A. Kakimoto, M. A. Kakimoto, B. Yang, H. Yamada, I. Kuwajima, G. Lambard, K. Hongo, Y. Xu, J. Shiomi, C. Schick, J. Morikawa, and R. Yoshid, “Machine-learning-assisted discovery of polymers with high thermal conductivity using a molecular design algorithm,” Npj Computational Materials, vol 5, pp. 1-6, 2019. Available at: https://doi.org/10.1038/s41524-019-0203-2.

Z. R. Najafabadi, e J. B. Soares, “Flocculation and dewatering of oil sands tailings with a novel functionalized polyolefin flocculant,” Separation and Purification Technology, vol. 274, 119018, 2021. Available at: https://doi.org/10.1016/j.seppur.2021.119018.

L. Breiman, “Random Forests,” Machine Learning, vol. 45, pp. 5–32, 2001. Available at: https://doi.org/10.1023/A:1010933404324.

G. Y. Oukawa, P. Krecl, and A. C. Targino, “Fine-scale modeling of the urban heat island: a comparison of multiple linear regression and random forest approaches.,” Sci. Total Environment, vol. 815, 152836, 2022. Available at: https://doi.org/10.1016/j.scitotenv.2021.152836.

I. Ouedraogo, P. Defourny, e M. Vanclooster, “Application of random forest regression and comparison of its performance to multiple linear regression in modeling groundwater nitrate concentration at the African continent scale,” Hydrogeology Journal, vol. 27, pp. 1081–1098, 2019. Available at: https://doi.org/10.1007/s10040-018-1900-5.

Y. Ueki, N. Seko, e Y. Maekawa, “Machine learning approach for prediction of the grafting yield in radiationinduced graft polymerization,” Applied Materials Today, vol. 25, 101158, 2021. Available at: https://doi.org/10.1016/j.apmt.2021.101158.

M. Kishino, K. Matsumoto, Y. Kobayashi, R. Taguchi, N. Akamatsu, and A. Shishido, “Fatigue Life Prediction of Bending Polymer Films using Random Forest,” International Journal of Fatigue, 107230, 2022. Available at: https://doi.org/10.1016/j.ijfatigue.2022.107230

K. C. Da Silveira, Q. Sheng, W. Tian, C. Fong, N. Maeda, E. F. Lucas, and C. D. Wood, “High throughput synthesis and characterization of PNIPAM-based kinetic hydrate inhibitors,” Energy & Fuels, vol. 188, pp. 522–529, 2017. Available at: https://doi.org/10.1016/j.fuel.2016.10.075.

J. Park, K. C. Da Silveira, Q. Sheng, C. D. Wood, and Y. Seo, “Performance of PNIPAM-based Kinetic Hydrate Inhibitors for Nucleation and Growth of Natural Gas Hydrates,” Energy & Fuels, vol. 31, no. 3, pp. 2697–2704, 2017. Available at: https://doi.org/10.1021/acs.energyfuels.6b03369.

I. R. Ferreira Filho, K. C. Da Silveira, and A. J. Silva Neto, “Tecnologia de Hidrato de Gás: Modelagem Computacional para a Etapa de Crescimento do Hidrato,” VETOR - Revista De Ciências Exatas E Engenharias, vol. 31, no. 1, pp. 23–42, 2021. Available at: https://doi.org/10.14295/vetor.v31i1.13164.

C. M. Hansen, (2007), “Hansen Solubility Parameters: A User's Handbook”, 2nd ed. Boca Raton, United States: CRC Press, 2007. Available at: https://doi.org/10.1201/9781420006834.