Seleção de inibidores de corrosão orgânicos para aplicações aeronáuticas através de aprendizagem automática
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10773/33454 |
Resumo: | Os inibidores de corrosão têm um papel importante, pois ajudam a limitar a corrosão em metais, evitando o aparecimento de problemas estruturais graves nos materiais. Atualmente, há um maior interesse na substituição de compostos frequentemente usados na proteção de estruturas metálicas por inibidores de corrosão orgânicos, pois estes podem ser modificados, de modo a torná-los mais amigos do ambiente e sem estarem associados a problemas de toxicidade. Contudo, o número de estruturas que podem ser obtidas é extremamente elevado, tornando impossível testar experimentalmente todos os compostos, e o conhecimento sobre a sua capacidade de inibição é ainda insuficiente, devido ao seu elevado grau de complexidade e todos os fatores que estão envolvidos no processo de corrosão. Assim, neste trabalho, foi obtido um maior conjunto de dados da literatura em comparação com trabalhos anteriores, contribuindo para o desenvolvimento de uma ferramenta online de gestão de dados aberta, que permite comparar diferentes compostos e facilitar a procura de inibidores mais adequados para as condições pretendidas. Posteriormente, foram aplicadas abordagens de Aprendizagem Automática (Machine Learning), considerando diferentes descritores computacionais e quimioinformáticos, para prever a eficiência de inibição de compostos orgânicos para ligas de alumínio utilizadas em aplicações aeronáuticas. De acordo com os resultados, obteve-se uma exatidão balanceada igual a 76 % para classificação de compostos orgânicos inibidores com eficiência igual ou superior a 75 %, através do algoritmo das florestas aleatórias, e uma probabilidade de classificar corretamente inibidores (86 %), para novos dados, foi superior à probabilidade de classificar corretamente não inibidores (66 %). Assim, esta abordagem pode ser útil para realizar uma triagem virtual inicial de compostos potencialmente inibidores de corrosão, para serem subsequentemente testados experimentalmente, reduzindo assim o tempo necessário para obter o inibidor de corrosão correto sob condições de aplicação específicas. Além disso, o modelo obtido pode ser incorporado, posteriormente, num aplicativo online baseado na Aprendizagem Automática. |
id |
RCAP_4de1ead26aa655c0e7ea374c1e924b58 |
---|---|
oai_identifier_str |
oai:ria.ua.pt:10773/33454 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Seleção de inibidores de corrosão orgânicos para aplicações aeronáuticas através de aprendizagem automáticaCorrosãoInibidores de corrosão orgânicosAlumínioAprendizagem automáticaOs inibidores de corrosão têm um papel importante, pois ajudam a limitar a corrosão em metais, evitando o aparecimento de problemas estruturais graves nos materiais. Atualmente, há um maior interesse na substituição de compostos frequentemente usados na proteção de estruturas metálicas por inibidores de corrosão orgânicos, pois estes podem ser modificados, de modo a torná-los mais amigos do ambiente e sem estarem associados a problemas de toxicidade. Contudo, o número de estruturas que podem ser obtidas é extremamente elevado, tornando impossível testar experimentalmente todos os compostos, e o conhecimento sobre a sua capacidade de inibição é ainda insuficiente, devido ao seu elevado grau de complexidade e todos os fatores que estão envolvidos no processo de corrosão. Assim, neste trabalho, foi obtido um maior conjunto de dados da literatura em comparação com trabalhos anteriores, contribuindo para o desenvolvimento de uma ferramenta online de gestão de dados aberta, que permite comparar diferentes compostos e facilitar a procura de inibidores mais adequados para as condições pretendidas. Posteriormente, foram aplicadas abordagens de Aprendizagem Automática (Machine Learning), considerando diferentes descritores computacionais e quimioinformáticos, para prever a eficiência de inibição de compostos orgânicos para ligas de alumínio utilizadas em aplicações aeronáuticas. De acordo com os resultados, obteve-se uma exatidão balanceada igual a 76 % para classificação de compostos orgânicos inibidores com eficiência igual ou superior a 75 %, através do algoritmo das florestas aleatórias, e uma probabilidade de classificar corretamente inibidores (86 %), para novos dados, foi superior à probabilidade de classificar corretamente não inibidores (66 %). Assim, esta abordagem pode ser útil para realizar uma triagem virtual inicial de compostos potencialmente inibidores de corrosão, para serem subsequentemente testados experimentalmente, reduzindo assim o tempo necessário para obter o inibidor de corrosão correto sob condições de aplicação específicas. Além disso, o modelo obtido pode ser incorporado, posteriormente, num aplicativo online baseado na Aprendizagem Automática.Corrosion inhibitors have an important role because they help to limit metallic corrosion, preventing the appearance of serious problems in these materials. Currently, there is a great interest in replacing compounds frequently used in the protection of metallic structures by organic corrosion inhibitors, as these can be modified to make them more environmentally friendly and without being associated with the high toxicity problems of previous solutions. However, the number of structures that can be obtained is extremely high, making it impossible to test all compounds experimentally, while the knowledge about their inhibition capacity is still insufficient, due to their high degree of complexity and all the factors that are involved in the corrosion process. In this work, a larger set of data was obtained from literature in comparison with previous works, which contributed to develop an open data management online tool that allows to compare different compounds and to facilitate the search for the most suitable inhibitors for the intended conditions. Afterwards, Machine Learning approaches were applied, considering different computational and cheminformatics descriptors, to predict the inhibition efficiency of organic compounds for aluminum alloys used in aeronautics applications. According to the results, it was obtained a 76 % of a balanced accuracy for classifying inhibitor organic compounds with efficiency equal to or higher than 75 %, through the random forests algorithm, and a probability of correctly classifying inhibitors (86 %), for new data, was higher to the probability of correctly classifying non-inhibitors (66 %). This approach can be useful to perform an initial virtual screen of potentially corrosion inhibitor compounds to be tested experimentally as inhibitors, thus reducing the time required to obtain the right corrosion inhibitor under specific application conditions. Moreover, the final model can be incorporated into a Machine Learning based online application.2022-03-11T11:42:30Z2021-12-15T00:00:00Z2021-12-15info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10773/33454porFerreira, Inês Manuela Alvesinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-02-22T12:04:21Zoai:ria.ua.pt:10773/33454Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T03:04:52.822590Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Seleção de inibidores de corrosão orgânicos para aplicações aeronáuticas através de aprendizagem automática |
title |
Seleção de inibidores de corrosão orgânicos para aplicações aeronáuticas através de aprendizagem automática |
spellingShingle |
Seleção de inibidores de corrosão orgânicos para aplicações aeronáuticas através de aprendizagem automática Ferreira, Inês Manuela Alves Corrosão Inibidores de corrosão orgânicos Alumínio Aprendizagem automática |
title_short |
Seleção de inibidores de corrosão orgânicos para aplicações aeronáuticas através de aprendizagem automática |
title_full |
Seleção de inibidores de corrosão orgânicos para aplicações aeronáuticas através de aprendizagem automática |
title_fullStr |
Seleção de inibidores de corrosão orgânicos para aplicações aeronáuticas através de aprendizagem automática |
title_full_unstemmed |
Seleção de inibidores de corrosão orgânicos para aplicações aeronáuticas através de aprendizagem automática |
title_sort |
Seleção de inibidores de corrosão orgânicos para aplicações aeronáuticas através de aprendizagem automática |
author |
Ferreira, Inês Manuela Alves |
author_facet |
Ferreira, Inês Manuela Alves |
author_role |
author |
dc.contributor.author.fl_str_mv |
Ferreira, Inês Manuela Alves |
dc.subject.por.fl_str_mv |
Corrosão Inibidores de corrosão orgânicos Alumínio Aprendizagem automática |
topic |
Corrosão Inibidores de corrosão orgânicos Alumínio Aprendizagem automática |
description |
Os inibidores de corrosão têm um papel importante, pois ajudam a limitar a corrosão em metais, evitando o aparecimento de problemas estruturais graves nos materiais. Atualmente, há um maior interesse na substituição de compostos frequentemente usados na proteção de estruturas metálicas por inibidores de corrosão orgânicos, pois estes podem ser modificados, de modo a torná-los mais amigos do ambiente e sem estarem associados a problemas de toxicidade. Contudo, o número de estruturas que podem ser obtidas é extremamente elevado, tornando impossível testar experimentalmente todos os compostos, e o conhecimento sobre a sua capacidade de inibição é ainda insuficiente, devido ao seu elevado grau de complexidade e todos os fatores que estão envolvidos no processo de corrosão. Assim, neste trabalho, foi obtido um maior conjunto de dados da literatura em comparação com trabalhos anteriores, contribuindo para o desenvolvimento de uma ferramenta online de gestão de dados aberta, que permite comparar diferentes compostos e facilitar a procura de inibidores mais adequados para as condições pretendidas. Posteriormente, foram aplicadas abordagens de Aprendizagem Automática (Machine Learning), considerando diferentes descritores computacionais e quimioinformáticos, para prever a eficiência de inibição de compostos orgânicos para ligas de alumínio utilizadas em aplicações aeronáuticas. De acordo com os resultados, obteve-se uma exatidão balanceada igual a 76 % para classificação de compostos orgânicos inibidores com eficiência igual ou superior a 75 %, através do algoritmo das florestas aleatórias, e uma probabilidade de classificar corretamente inibidores (86 %), para novos dados, foi superior à probabilidade de classificar corretamente não inibidores (66 %). Assim, esta abordagem pode ser útil para realizar uma triagem virtual inicial de compostos potencialmente inibidores de corrosão, para serem subsequentemente testados experimentalmente, reduzindo assim o tempo necessário para obter o inibidor de corrosão correto sob condições de aplicação específicas. Além disso, o modelo obtido pode ser incorporado, posteriormente, num aplicativo online baseado na Aprendizagem Automática. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-12-15T00:00:00Z 2021-12-15 2022-03-11T11:42:30Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10773/33454 |
url |
http://hdl.handle.net/10773/33454 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799137704236023808 |