Explorando algoritmos de aprendizado de máquina para previsão de isotermas de CO2 e N2 em materiais reticulares
| dc.contributor.advisor | Esteves, Pierre Mothé | |
| dc.contributor.advisorCo1Lattes | http://lattes.cnpq.br/1285017599006029 | pt_BR |
| dc.contributor.advisorLattes | http://lattes.cnpq.br/6207084434110255 | pt_BR |
| dc.contributor.referee1 | Almeida, João Monnerat Araújo Ribeiro de | |
| dc.contributor.referee1Lattes | http://lattes.cnpq.br/8322365761627213 | pt_BR |
| dc.contributor.referee2 | Borges Júnior, Itamar | |
| dc.contributor.referee2Lattes | http://lattes.cnpq.br/7247460085720503 | pt_BR |
| dc.creator | Sousa, João Matheus Chagas | |
| dc.creator.Lattes | http://lattes.cnpq.br/4381645323231023 | pt_BR |
| dc.date.accessioned | 2025-08-20T20:11:34Z | |
| dc.date.available | 2026-05-16T03:07:59Z | |
| dc.date.issued | 2025-02-21 | |
| dc.description.resumo | A intensificação das emissões de CO2 devido às atividades humanas representa um dos maiores desafios ambientais da atualidade, exigindo o desenvolvimento de tecnologias eficazes para captura e armazenamento. Entre as estratégias disponíveis, os materiais reticulares se destacam por sua alta área especifica e seletividade na adsorção de gases. Contudo, identificar os materiais mais eficientes para captura de CO2 sob diferentes condições de pressão e temperatura ainda é um desafio, devido ao grande volume de estruturas disponíveis em bancos de dados. Neste trabalho, foi adotada uma abordagem sistemática para a geração de dados de adsorção de CO2 e N2 em materiais reticulares. As quantidades de adsorção foram determinadas por meio de simulações GCMC, que modelaram a interação entre os materiais e as moléculas-alvo. Os dados simulados foram ajustados ao modelo de isoterma de Langmuir de dois sítios (DSL), e os parâmetros resultantes foram utilizados para treinar diferentes modelos de aprendizado de máquina (ML). O desempenho dos modelos foi avaliado, e o mais preciso foi utilizado para prever a capacidade de adsorção de novos materiais. Essa abordagem possibilitou a triagem eficiente de materiais promissores, reduzindo a necessidade de simulações computacionais intensivas e contribuindo para a otimização de processos de captura de carbono. | pt_BR |
| dc.embargo.terms | aberto | pt_BR |
| dc.identifier.uri | http://hdl.handle.net/11422/26791 | |
| dc.language | por | pt_BR |
| dc.publisher | Universidade Federal do Rio de Janeiro | pt_BR |
| dc.publisher.country | Brasil | pt_BR |
| dc.publisher.department | Instituto de Química | pt_BR |
| dc.publisher.initials | UFRJ | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.subject | Aprendizado de máquina | pt_BR |
| dc.subject | Materiais nanoporosos | pt_BR |
| dc.subject | Adsorção | pt_BR |
| dc.subject | Captura de CO2 | pt_BR |
| dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::QUIMICA | pt_BR |
| dc.title | Explorando algoritmos de aprendizado de máquina para previsão de isotermas de CO2 e N2 em materiais reticulares | pt_BR |
| dc.type | Trabalho de conclusão de graduação | pt_BR |