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
- Status:
- Artigo possui versão em acesso aberto em repositório (Green Open Access)
- Versão do Documento:
- Versão submetida (Pré-print)
- Acessar versão aberta:
-
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://teses.usp.br/teses/disponiveis/76/76135/tde-20032024-092246/. Acesso em: 07 abr. 2026. -
APA
Queiroz, A. A. A. E. D. (2024). Classificação de minerais de ferro por espectroscopia Raman e aprendizado de máquina (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://teses.usp.br/teses/disponiveis/76/76135/tde-20032024-092246/ -
NLM
Queiroz AAAED. Classificação de minerais de ferro por espectroscopia Raman e aprendizado de máquina [Internet]. 2024 ;[citado 2026 abr. 07 ] Available from: https://teses.usp.br/teses/disponiveis/76/76135/tde-20032024-092246/ -
Vancouver
Queiroz AAAED. Classificação de minerais de ferro por espectroscopia Raman e aprendizado de máquina [Internet]. 2024 ;[citado 2026 abr. 07 ] Available from: https://teses.usp.br/teses/disponiveis/76/76135/tde-20032024-092246/ - Magneto-optical properties of iron-bulk metallic glasses sustainably produced from iron-rich sand sludge
- Reconhecimento de minérios de ferro por aprendizagem de máquina
- Electric current generation from dendrimer-based magnetofluid flow in a toroidal chamber
- Intelligent electrospun thermochromic composite nanofibers for temperature measurements
- Fabrication of hyperbranched polyglycerols microcapsules from microfluidics guided by artificial neural networks
- Intelligent optical temperature sensor based on polyglycerol dendrimer microspheres encapsulating hopeites
- Curcumin nanocrystals as photodynamical sensor monitoring ultraviolet accelerated aging of HDPE
- 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
- Espectroscopia Raman e redes neurais artificiais na identificação de minerais dos grupos do pirocloro e da microlita
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
