Classificação de minerais de ferro por espectroscopia Raman e aprendizado de máquina (2024)
- Authors:
- Autor USP: QUEIROZ, ALFREDO ANTONIO ALENCAR EXPOSITO DE - IFSC
- Unidade: IFSC
- Sigla do Departamento: FCM
- DOI: 10.11606/T.76.2024.tde-20032024-092246
- Subjects: APRENDIZADO COMPUTACIONAL; ESPECTROSCOPIA RAMAN; MINERAIS METÁLICOS FERROSOS
- Keywords: Aprendizado de máquina; Iron Minerals; Machine Learning; Minerais de ferro; Raman Spectroscopy
- Agências de fomento:
- Language: Português
- Abstract: 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 demaneira 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 desempenhobastante satisfatório
- Imprenta:
- Publisher place: São Carlos
- Date published: 2024
- Data da defesa: 06.02.2024
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: green
-
ABNT
QUEIROZ, Alfredo Antonio Alencar Exposito de. Classificação de minerais de ferro por espectroscopia Raman e aprendizado de máquina. 2024. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/76/76135/tde-20032024-092246/. Acesso em: 10 jun. 2024. -
APA
Queiroz, A. A. A. E. de. (2024). Classificação de minerais de ferro por espectroscopia Raman e aprendizado de máquina (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/76/76135/tde-20032024-092246/ -
NLM
Queiroz AAAE de. Classificação de minerais de ferro por espectroscopia Raman e aprendizado de máquina [Internet]. 2024 ;[citado 2024 jun. 10 ] Available from: https://www.teses.usp.br/teses/disponiveis/76/76135/tde-20032024-092246/ -
Vancouver
Queiroz AAAE de. Classificação de minerais de ferro por espectroscopia Raman e aprendizado de máquina [Internet]. 2024 ;[citado 2024 jun. 10 ] Available from: https://www.teses.usp.br/teses/disponiveis/76/76135/tde-20032024-092246/ - Espectroscopia Raman e redes neurais artificiais na identificação de minerais dos grupos do pirocloro e da microlita
- Reconhecimento de minérios de ferro por aprendizagem de máquina
- Interactions of polyglycerol dendrimers with human serum albumin: insights from fluorescence spectroscopy and computational modeling analysis
- Microfluidic caging lipase in hyperbranched polyglycerol microcapsules for extracorporeal treatment of enzyme pancreatic insufficiency
- Electric current generation from dendrimer-based magnetofluid flow in a toroidal chamber
- Fabrication of hyperbranched polyglycerols microcapsules from microfluidics guided by artificial neural networks
- Intelligent optical temperature sensor based on polyglycerol dendrimer microspheres encapsulating hopeites
- Intelligent electrospun thermochromic composite nanofibers for temperature measurements
- Curcumin nanocrystals as photodynamical sensor monitoring ultraviolet accelerated aging of HDPE
- Identificação de minérios de ferro
Informações sobre o DOI: 10.11606/T.76.2024.tde-20032024-092246 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas