Navegar por:

O uso da inteligência artificial e outras tecnologias na caracterização de fenômenos químicos e biológicos

Use este link compartilhar ou citar este material: http://educapes.capes.gov.br/handle/capes/893746
Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMundim, Kleber Carlos-
Autor(es): dc.creatorMachado, Hugo Gontijo-
Data de aceite: dc.date.accessioned2024-10-23T15:51:20Z-
Data de disponibilização: dc.date.available2024-10-23T15:51:20Z-
Data de envio: dc.date.issued2022-12-28-
Data de envio: dc.date.issued2022-12-28-
Data de envio: dc.date.issued2022-12-28-
Data de envio: dc.date.issued2022-10-27-
Fonte completa do material: dc.identifierhttps://repositorio.unb.br/handle/10482/45396-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/893746-
Descrição: dc.descriptionTese (doutorado) — Universidade de Brasília, Instituto de Química, Programa de Pós-Graduação em Química, 2022.-
Descrição: dc.descriptionModelos de aprendizagem estatística que utilizam métodos de Machine Learning (ML), como o Generalized Simulated Annealing (GSA), vêm sendo utilizados há décadas na química para diversas tarefas. Munido destas técnicas, nossos grupos de pesquisa têm se dedicado ao estudo cinético e mecanístico de processos reativos e não reativos aliado ao desenvolvimento de novos modelos e técnicas. Com o aumento da capacidade de processamento dos computadores e com advento de métodos sofisticados de ML, como o deep learning, vem se tornando cada vez mais necessário a criação de novas técnicas de análise bem como o desenvolvimento de plataformas que sistematizem essas técnicas. Neste sentido, o presente trabalho realiza três propostas de modelos teóricos que serão apresentadas juntamente ao desenvolvimento de interfaces gráficas e intuitivas: 𝑖) propomos aqui a função da transitividade: uma nova perspectiva sob o gráfico de Arrhenius que é capaz de linearizar curvaturas não Arrhenius e observar mudanças de regime. Sua aplicação linearizou a curvatura do processo de relaxamento do carbonato de propileno revelando uma quebra do regime à temperatura de 198𝐾. Além disso, o código Transitivity sistematiza ferramentas para lidar com a cinética de processos não Arrhenius, fornecendo opções para estimativa da constante cinética reacional em fases líquida e gasosa além de realizar ajuste de modelos cinéticos a partir de dados experimentais utilizando o GSA. Uma análise cinética da síntese de chalconas foi realizada usando o Transitivity. 𝑖𝑖) propomos também o modelo generalizado do coeficiente da temperatura 𝑄𝑑10, utilizado para avaliar o grau de dependência de processos biológicos com a temperatura. O modelo foi aplicado a uma série de casos da literatura recente: a qualidade dos ajustes reforçou a hipótese inicial de que o coeficiente da temperatura deve ser descrito através de exponenciais deformadas (𝑄𝑑10) ao invés do modelo usual de Arrhenius (𝑄10). Além disso, o modelo padrão 𝑄10 é um caso particular do modelo proposto, pois é recuperado quando o parâmetro deformado é igual a zero, validando assim sua justificativa geral. A interface 𝑄𝑑10 − 𝐺𝑆𝐴 desenvolvida estima parâmetros a partir de dados experimentais, traçando um paralelo entre o modelo usual 𝑄10 e o modelo proposto 𝑄𝑑10. 𝑖𝑖𝑖) propomos também modelos de deep learning baseados em redes neurais artificiais que aprendem com um banco de dados espectral para realizar inferências sobre propriedades estruturais de moléculas e realizar reconstruções dos espectros. As classificações realizadas pelos modelos ResNet34 e o modelo tabular apresentaram um bom desempenho utilizando espectros de infravermelho e massa, com valores de F1-Score entre 0.83 e 0.88 e acurácias de 96%. Os modelos de reconstrução apresentaram um erro quadrático médio de 0.005 e 0.007 na reconstrução dos espectros de massa e infravermelho, respectivamente. Com isso, o desenvolvimento destes modelos sugere que redes neurais são adequadas para a busca de novas técnicas de análise espectral e representam um passo no sentido da criação de técnicas de análise autônomas. Por fim, as interfaces intuitivas e amigáveis têm o intuito de disseminar os novos conceitos propostos e os autores esperam que possam ser utilizadas como poderosas ferramentas de pesquisa e didática no ensino de termodinâmica, cinética de processos e assuntos relacionados.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).-
Descrição: dc.descriptionStatistical learning models that use machine learning (ML) methods, like the Generalized Simulated Annealing (GSA), have been used for decades in chemistry for a variety of tasks. With these techniques, our research groups are dedicated to the kinetic and mechanistic study of reactive and non-reactive processes allied to the development of new models and techniques. With the current increase in the processing capacity of computers and the advent of sophisticated methods of ML, such as deep learning, it has become increasingly necessary to create new analysis techniques as well as the development of platforms and tools that systematize these techniques. Accordingly, the present work makes three proposals for theoretical models that will be presentend with the development of codes for their use, with graphical and intuitive interfaces: 𝑖) We propose here the transitivity function: a new perspective under Arrhenius plot that is able to linearize non-Arrhenius curvatures and thus observe regime changes. Its application was able to linearize the curvature of the propylene carbonate relaxation process and revealed a break in the regime at the temperature of 198K. In addition, the Transitivity code systematizes tools to deal with the kinetics of non-Arrhenius processes, providing options for phenomenological estimation of the reaction kinetic constant in liquid and gas phases and perform model fitting with experimental kinetic data using GSA. A kinetic analysis of the synthesis of chalcones was performed using Transitivity 𝑖𝑖) we also propose the generalized model of the temperature coefficient Qd10, used to evaluate the degree of dependence of biological processes as a function of temperature. The model was applied to a series of cases from the recent literature: the quality of the fits reinforced the initial hypothesis that the temperature coefficient must be described using deformed exponentials (Qd10) instead of the usual Arrhenius model (Q10). Furthermore, the standard model Q10 is a particular case of the proposed model, as it is retrieved when the deformed parameter is equal to zero, thus validating its general justification. The Qd10-GSA interface was developed and it estimates parameters related to the Arrhenius and Aquilanti-Mundim formulations from experimental data, thus drawing a parallel between the usual model Q10 and the model proposed here Qd10. 𝑖𝑖𝑖) We also propose deep learning models that use artificial neural networks and learn from a spectral database to make inferences about structural properties of molecules and perform spectral reconstructions. The classifications performed by the ResNet34 model and the proposed tabular model show a good performance using infrared and mass spectra, with F1-Score values between 0.83 and 0.88 and accuracies of 96%. The reconstruction models showed a mean square error of 0.005 and 0.007 in the reconstruction of the mass and infrared spectra, respectively. Thus, it is concluded that the development of these models suggests that neural networks are suitable for the search for new spectral analysis techniques and represent a step towards the creation of autonomous analysis techniques. Finally, the codes developed here present very intuitive and user-friendly interfaces in order to disseminate the proposed new concepts and the authors hope that they can also be used as powerful research tools and didactic tools for teaching thermodynamics, process kinetics and related issues.-
Formato: dc.formatapplication/pdf-
Direitos: dc.rightsAcesso Aberto-
Direitos: dc.rightsA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.-
Palavras-chave: dc.subjectTeoria deformada de Arrhenius-
Palavras-chave: dc.subjectCinética química-
Palavras-chave: dc.subjectCoeficiente de temperatura-
Palavras-chave: dc.subjectProcessos biológicos-
Palavras-chave: dc.subjectDesenvolvimento de software-
Título: dc.titleO uso da inteligência artificial e outras tecnologias na caracterização de fenômenos químicos e biológicos-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.
Mostrar registro simples do item Visualizar estatísticas

Avaliação