Navegando por Autor "Pena, Lucas Bernardes"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Unraveling molecular descriptors for reliable adsorption energy prediction
    (Centro Federal de Educação Tecnológica de Minas Gerais, 2025-08-01) Pena, Lucas Bernardes; Galvão, Breno Rodrigues Lamaghere; http://lattes.cnpq.br/7962146839706796; http://lattes.cnpq.br/4607469939663727; Galvão, Breno Rodrigues Lamaghere; Pedroso, Emerson Fernandes; Lourenço, Maicon Pierre
    A acumulação de CO2 na atmosfera terrestre é um problema crescente, com consequências devastadoras em todo o mundo. Uma abordagem promissora para mitigar esse problema é a conversão de CO2 em combustíveis e produtos químicos de valor econômico utilizando fontes de energia renováveis. Essa estratégia não apenas reduz os níveis atmosféricos de CO2, mas também contribui para o desenvolvimento de soluções energéticas sustentáveis. Cálculos ab initio possibilitam a descoberta de novos catalisadores através de análises exploratórias de sistemas nanocluster-adsorbato de alto custo computacional, uma vez que diversas configurações de adsorção precisam ser avaliadas em diferentes estruturas de clusters. Dado o vasto volume de dados computacionais já disponíveis para esses sistemas, métodos de aprendizado de máquina são uma alternativa de ferramenta para acelerar o processo de triagem de catalisadores. Entretanto, os frameworks atuais são limitados pela falta de diversidade nos dados e pela falta de transferência de conhecimento dos modelos, comprometendo sua confiabilidade especialmente perante novos dados. Neste trabalho, os descritores moleculares Coulomb matrix e many-body tensor representation foram otimizados para a regressão da energia de adsorção em nanoclusters utilizando-se uma nova base de dados diversa. Utilizando o algoritmo de regressão random forest, atingiu-se um erro médio absoluto de 0.05 eV na predição da energia de adsorção para ambos os descritores. Para avaliar a generalizabilidade do modelo, um novo conjunto de dados foi gerado para o sistema mais representativo do dataset utilizado na etapa de desenvolvimento. Ao testar o modelo neste conjunto externo, nota-se a incapacidade de generalização do modelo, com o aumento do erro médio absoluto para 0.30 eV. Para a melhora da performance, propõe-se uma feature eletrônica, a qual corrigiu as predições para um dos novos sistemas adsorvidos inéditos.