Avaliação do perfil termogravimétrico de membranas híbridas de acetato de celulose empregando abordagens de aprendizado de máquina
DOI:
https://doi.org/10.14295/vetor.v33i1.15167Palavras-chave:
Membranas híbridas de acetato de celulose, Análise termogravimétrica, Aprendizado de máquinaResumo
A análise termogravimétrica (TGA) é uma técnica de caracterização rotineiramente utilizada na ciência dos materiais. Neste caso particular, a TGA determina a variação de massa com a temperatura. A análise termogravimétrica das membranas híbridas de acetato de celulose (CA) pode fornecer resultados muito semelhantes, apesar de sua composição química diferente. O presente estudo utiliza algoritmos de aprendizado de máquina para tentar correlacionar dados de análises termogravimétricas com variações na composição química. Pontos experimentais relacionados à temperatura e massa dessas análises foram tratados de diferentes maneiras e utilizados para estimar a composição das membranas. Os algoritmos Extra-Trees Classifier, Random Forest, Decision Tree e K-Nearest Neighbors (KNN) foram aplicados a esses dados e, em seguida, avaliados usando uma matriz de confusão e de acurácia. Os algoritmos baseados em árvore de decisão mostraram habilidade superior na estimativa da composição, com diferenças menores no perfil termogravimétrico. O algoritmo Extra-Trees Classifier, em particular, destacou-se por sua habilidade em estimar a composição em todos os testes, atingindo 90% de acurácia.
Downloads
Referências
I. H. Sarker, “Machine learning: Algorithms, real-world applications and research directions,” SN Computer Science, vol. 2, no. 3, paper no. 160, 2021. Available at: https://doi.org/10.1007/s42979-021-00592-x
D. Morgan and R. Jacobs, “Opportunities and challenges for machine learning in materials science,” Annual Review of Materials Research, vol. 50, no. 1, pp. 71-103, 2020. Available at: https://doi.org/10.1146/annurevmatsci-070218-010015
C. L. Ritt, T. Stassin, D. M. Davenport, R. M. DuChanois, I. Nulens, Z. Yang, A. Ben-Zvi, N. Segev-Mark, M. Elimelech, C. Y. Tang, G. Z. Ramon, I. F. J. Vankelecom, R. Verbeke, “The open membrane database: Synthesis–structure–performance relationships of reverse osmosis membranes,” Journal of Membrane Science, vol. 641, paper no. 119927, 2022. Available at: https://doi.org/10.1016/j.memsci.2021.119927
Y.-J. Hu, G. Zhao, M. Zhang, B. Bin, T. Del Rose, Q. Zhao, Q. Zu, Y. Chen, X. Sun, M. de Jong, and Q. Liang, “Predicting densities and elastic moduli of SiO2-based glasses by machine learning,” Npj Computational Materials, vol. 6, paper no. 25, 2020. Available at: https://doi.org/10.1038/s41524-020-0291-z
H. Khakurel, M. F. N. Taufique, A. Roy, G. Balasubramanian, G. Ouyang, J. Cui, D. D. Johnson, and R. Devanathan, “Machine learning assisted prediction of the Young’s modulus of compositionally complex alloys,” Scientific Reports, vol. 11, paper no. 17149, 2021. Available at: https://doi.org/10.1038/s41598-021-96507-0
K. Low, R. Kobayashi, and E. I. Izgorodina, “The effect of descriptor choice in machine learning models for ionic liquid melting point prediction,” The Journal of Chemical Physics, vol. 153, no. 10, paper no. 104101, 2020. Available at: https://doi.org/10.1063/5.0016289
M. C. Andrade, J. C. Pereira, N. de Almeida, P. Marques, M. Faria, and M. C. Gonçalves, “Improving hydraulic permeability, mechanical properties, and chemical functionality of cellulose acetate-based membranes by copolymerization with tetraethyl orthosilicate and 3-(aminopropyl) triethoxysilane,” Carbohydrate Polymers, vol. 261, paper no. 117813, 2021. Available at: https://doi.org/10.1016/j.carbpol.2021.117813
V. Vatanpour, M. E. Pasaoglu, H. Barzegar, O. O. Teber, R. Kaya, M. Bastug, A. Khataee, I. Koyuncu, “Cellulose acetate in fabrication of polymeric membranes: A review,” Chemosphere, vol. 295, paper no. 133914, 2022. Available at: https://doi.org/10.1016/j.chemosphere.2022.133914
G. M. Ferreira, “Production and characterization of hybrid cellulose acetate membranes,” Master’s thesis, Materials Science and Technology Postgraduate Program, State University of Rio de Janeiro, Nova Friburgo, Brazil, 2022. Available at: http://www.bdtd.uerj.br/handle/1/17895
G. M. Ferreira, D. H. da Silva, K. C. Da Silveira, M. C. Gonçalves, and M. C. Andrade, “Evaluation of Thermal Degradation Kinetics of Hybrid Cellulose Acetate Membranes using Isoconversional Methods,” VETOR - Revista de Ciências Exatas e Engenharias, vol. 32, no. 1, pp. 52-61, 2022. Available at: https://doi.org/10.14295/vetor.v32i1.13766
N. M. Abdulkareem and A. M. Abdulazeez, “Machine learning classification based on Radom Forest Algorithm: A review,” International Journal of Science and Business, vol. 5, no. 2, pp. 128-142, 2021. Available at: https://ijsab.com/wp-content/uploads/676.pdf
F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau, M. Brucher, M. Perrot, E. Duchesnay, “Scikit-learn: Machine learning in Python,” Journal of Machine Learning Research, vol. 12, pp. 2825-2830, 2011. Available at: https://scikit-learn.org/stable/
B. T. Jijo, and A. M. Abdulazeez, “Classification based on decision tree algorithm for machine learning,” Journal of Applied Science and Technology Trends, vol. 2, no. 1, pp. 20-28, 2021. Available at: https://www.jastt.org/index.php/jasttpath/article/download/65/24
H. A. A. Alfeilat, A. B. A. Hassanat, O. Lasassmeh, A. S. Tarawneh, M. B. Alhasanat, H. S. E. Salman, and V. B. S. Prasath, “Effects of distance measure choice on k-nearest neighbor classifier performance: A review,” Big Data, vol. 7, no. 4, pp. 221-248, 2019. Available at: https://doi.org/10.1089/big.2018.0175
Downloads
Publicado
Como Citar
Edição
Seção
