Análises de sistemas estruturados por redes de ligações de hidrogênio com aprendizagem de máquina
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/52602 |
Resumo: | Vários líquidos e misturas apresentam interações por ligações de hidrogênio (HB) que causam sua estruturação e são responsáveis por várias propriedades. Abordagens de redes complexas e estatística de ilhas apresentam desafios na análise desses sistemas devido à necessidade de adoção de critérios geométricos/energéticos, na implementação do código, interpretação dos resultados e no custo computacional. Buscando novos métodos, este trabalho visa utilizar técnicas de aprendizagem de máquina no estudo da agregação e identificação de padrões na água em diferentes temperaturas, em misturas aquosas em diferentes frações molares, e em água confinada em micela reversa. O DBSCAN foi utilizado no agrupamento das distâncias entre o centro de massa das moléculas e os resultados foram comparados aos da estatística de ilhas. Regressão Logística, Floresta Aleatória e Redes Neurais foram utilizadas na classificação da densidade espectral. O DBSCAN proporcionou resultados condizentes aos da estatística de ilhas, com menor custo computacional e maior facilidade de interpretação. O minP ts = 2 descreveu bem todos os sistemas e os melhores valores de eps são próximos à distância máxima da HB, exceto nas misturas de água-amônia. Na classificação, as melhores métricas foram obtidas com Redes Neurais. As densidades espectrais da água em temperaturas ou de misturas com frações molares próximas são similares, por isso, foi necessário mesclá-las. Para a água, as redes de HB de temperaturas mais baixas são mais similares que em temperaturas mais altas. O número de moléculas de água confinadas foi determinante na estrutura da rede de HB. Nas misturas, frações molares que contém um grupo com quase todas as moléculas foram confundidas entre si, mas quando este agregado foi quebrado, a classificação melhorou. A adição de poucas moléculas de soluto não causa muitas mudanças na rede de HB da água, mas a rede de HB dos solutos é alterada pela adição de poucas moléculas de água. Dentre as misturas, as melhores métricas foram obtidas com o n-butanol, seguido do t-butanol, metanol e amônia. Os resultados da classificação corroboraram os do agrupamento. Portanto, os métodos de aprendizagem de máquina podem ser utilizados no estudo de líquidos e misturas e suas redes de HB. Espera-se que esses resultados possam abrir novos caminhos para a aplicação dessas ferramentas em tais estudos e na teoria de redes complexas. |
id |
UFPE_694001732835ced0d27701900a594ddb |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/52602 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
LIMA, Amanda Marques dehttp://lattes.cnpq.br/2995864510932748http://lattes.cnpq.br/1289512724651335http://lattes.cnpq.br/6140635670089223http://lattes.cnpq.br/1335709989135375LONGO, Ricardo LuizSILVA, Juliana Angeiras Batista daTEIXEIRA, Erico Souza2023-10-04T15:45:39Z2023-10-04T15:45:39Z2023-08-04LIMA, Amanda Marques de. Análises de sistemas estruturados por redes de ligações de hidrogênio com aprendizagem de máquina. 2023. Dissertação (Mestrado em Química) – Universidade Federal de Pernambuco, Recife, 2023.https://repositorio.ufpe.br/handle/123456789/52602Vários líquidos e misturas apresentam interações por ligações de hidrogênio (HB) que causam sua estruturação e são responsáveis por várias propriedades. Abordagens de redes complexas e estatística de ilhas apresentam desafios na análise desses sistemas devido à necessidade de adoção de critérios geométricos/energéticos, na implementação do código, interpretação dos resultados e no custo computacional. Buscando novos métodos, este trabalho visa utilizar técnicas de aprendizagem de máquina no estudo da agregação e identificação de padrões na água em diferentes temperaturas, em misturas aquosas em diferentes frações molares, e em água confinada em micela reversa. O DBSCAN foi utilizado no agrupamento das distâncias entre o centro de massa das moléculas e os resultados foram comparados aos da estatística de ilhas. Regressão Logística, Floresta Aleatória e Redes Neurais foram utilizadas na classificação da densidade espectral. O DBSCAN proporcionou resultados condizentes aos da estatística de ilhas, com menor custo computacional e maior facilidade de interpretação. O minP ts = 2 descreveu bem todos os sistemas e os melhores valores de eps são próximos à distância máxima da HB, exceto nas misturas de água-amônia. Na classificação, as melhores métricas foram obtidas com Redes Neurais. As densidades espectrais da água em temperaturas ou de misturas com frações molares próximas são similares, por isso, foi necessário mesclá-las. Para a água, as redes de HB de temperaturas mais baixas são mais similares que em temperaturas mais altas. O número de moléculas de água confinadas foi determinante na estrutura da rede de HB. Nas misturas, frações molares que contém um grupo com quase todas as moléculas foram confundidas entre si, mas quando este agregado foi quebrado, a classificação melhorou. A adição de poucas moléculas de soluto não causa muitas mudanças na rede de HB da água, mas a rede de HB dos solutos é alterada pela adição de poucas moléculas de água. Dentre as misturas, as melhores métricas foram obtidas com o n-butanol, seguido do t-butanol, metanol e amônia. Os resultados da classificação corroboraram os do agrupamento. Portanto, os métodos de aprendizagem de máquina podem ser utilizados no estudo de líquidos e misturas e suas redes de HB. Espera-se que esses resultados possam abrir novos caminhos para a aplicação dessas ferramentas em tais estudos e na teoria de redes complexas.FACEPESeveral liquids and mixtures exhibit hydrogen bonding (HB) interactions that cause their structuring and are responsible for various properties. Complex network and island statisti- cal approaches present challenges in the analysis of these systems due to the need to adopt geometric/energetic criteria, code implementation, interpretation of results and computa- tional cost. Seeking new methods, this work aims to use machine learning techniques in the study of aggregation and identification of patterns in water at different temperatures, in aqueous mixtures in different molar fractions, and in water confined in reverse micelle. DBSCAN was used to group the distances between the center of mass of the molecules and the results were compared to the statistics of islands. Logistic Regression, Random Forest and Neural Networks were used in the spectral density classification. DBSCAN provided results consistent with those of island statistics, with lower computational cost and greater ease of interpretation. The minP ts = 2 described all systems well, and the best eps values are close to the maximum HB distance, except in the water-ammonia mixtures. In the classification, the best metrics were obtained with Neural Networks. The spectral densities of water at temperatures or mixtures with close mole fractions are similar, so it was necessary to mix them. For water, HB networks at lower temperatures are more similar than those at higher temperatures. The number of confined water molecules was determinant in the structure of the HB network. In mixtures, mole fractions containing a group with almost all molecules were confused with each other, but when this cluster was broken, the classification improved. The addition of a few solute molecules does not cause much change in the HB network of water, but the HB network of solutes is altered by the addition of a few water molecules. Among the mixtures, the best metrics were obtained with n-butanol, followed by t-butanol, methanol and ammonia. The classification results corroborated those of the grouping. Therefore, machine learning methods can be used in the study of liquids and mixtures and their HB networks. It is expected that these results can open new paths for the application of these tools in such studies and in the theory of complex networks.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em QuimicaUFPEBrasilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/embargoedAccessQuímica teóricaAprendizagem de máquinaRedes complexasLigações de hidrogênioMisturas aquosasÁgua confinadaAnálises de sistemas estruturados por redes de ligações de hidrogênio com aprendizagem de máquinainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesismestradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPEORIGINALDISSERTAÇÃO Amanda Marques de Lima.pdfDISSERTAÇÃO Amanda Marques de Lima.pdfapplication/pdf10603791https://repositorio.ufpe.br/bitstream/123456789/52602/1/DISSERTA%c3%87%c3%83O%20Amanda%20Marques%20de%20Lima.pdff00cb8cb5253a543775be8488daac0c1MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/52602/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82362https://repositorio.ufpe.br/bitstream/123456789/52602/3/license.txt5e89a1613ddc8510c6576f4b23a78973MD53TEXTDISSERTAÇÃO Amanda Marques de Lima.pdf.txtDISSERTAÇÃO Amanda Marques de Lima.pdf.txtExtracted texttext/plain329636https://repositorio.ufpe.br/bitstream/123456789/52602/4/DISSERTA%c3%87%c3%83O%20Amanda%20Marques%20de%20Lima.pdf.txt4088d22de576b644c4ec28a0ffc79c0aMD54THUMBNAILDISSERTAÇÃO Amanda Marques de Lima.pdf.jpgDISSERTAÇÃO Amanda Marques de Lima.pdf.jpgGenerated Thumbnailimage/jpeg1223https://repositorio.ufpe.br/bitstream/123456789/52602/5/DISSERTA%c3%87%c3%83O%20Amanda%20Marques%20de%20Lima.pdf.jpgf99419569eb2960ed4b9a4b573ae2702MD55123456789/526022023-10-05 02:30:01.616oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212023-10-05T05:30:01Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Análises de sistemas estruturados por redes de ligações de hidrogênio com aprendizagem de máquina |
title |
Análises de sistemas estruturados por redes de ligações de hidrogênio com aprendizagem de máquina |
spellingShingle |
Análises de sistemas estruturados por redes de ligações de hidrogênio com aprendizagem de máquina LIMA, Amanda Marques de Química teórica Aprendizagem de máquina Redes complexas Ligações de hidrogênio Misturas aquosas Água confinada |
title_short |
Análises de sistemas estruturados por redes de ligações de hidrogênio com aprendizagem de máquina |
title_full |
Análises de sistemas estruturados por redes de ligações de hidrogênio com aprendizagem de máquina |
title_fullStr |
Análises de sistemas estruturados por redes de ligações de hidrogênio com aprendizagem de máquina |
title_full_unstemmed |
Análises de sistemas estruturados por redes de ligações de hidrogênio com aprendizagem de máquina |
title_sort |
Análises de sistemas estruturados por redes de ligações de hidrogênio com aprendizagem de máquina |
author |
LIMA, Amanda Marques de |
author_facet |
LIMA, Amanda Marques de |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/2995864510932748 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/1289512724651335 http://lattes.cnpq.br/6140635670089223 |
dc.contributor.advisor-coLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/1335709989135375 |
dc.contributor.author.fl_str_mv |
LIMA, Amanda Marques de |
dc.contributor.advisor1.fl_str_mv |
LONGO, Ricardo Luiz SILVA, Juliana Angeiras Batista da |
dc.contributor.advisor-co1.fl_str_mv |
TEIXEIRA, Erico Souza |
contributor_str_mv |
LONGO, Ricardo Luiz SILVA, Juliana Angeiras Batista da TEIXEIRA, Erico Souza |
dc.subject.por.fl_str_mv |
Química teórica Aprendizagem de máquina Redes complexas Ligações de hidrogênio Misturas aquosas Água confinada |
topic |
Química teórica Aprendizagem de máquina Redes complexas Ligações de hidrogênio Misturas aquosas Água confinada |
description |
Vários líquidos e misturas apresentam interações por ligações de hidrogênio (HB) que causam sua estruturação e são responsáveis por várias propriedades. Abordagens de redes complexas e estatística de ilhas apresentam desafios na análise desses sistemas devido à necessidade de adoção de critérios geométricos/energéticos, na implementação do código, interpretação dos resultados e no custo computacional. Buscando novos métodos, este trabalho visa utilizar técnicas de aprendizagem de máquina no estudo da agregação e identificação de padrões na água em diferentes temperaturas, em misturas aquosas em diferentes frações molares, e em água confinada em micela reversa. O DBSCAN foi utilizado no agrupamento das distâncias entre o centro de massa das moléculas e os resultados foram comparados aos da estatística de ilhas. Regressão Logística, Floresta Aleatória e Redes Neurais foram utilizadas na classificação da densidade espectral. O DBSCAN proporcionou resultados condizentes aos da estatística de ilhas, com menor custo computacional e maior facilidade de interpretação. O minP ts = 2 descreveu bem todos os sistemas e os melhores valores de eps são próximos à distância máxima da HB, exceto nas misturas de água-amônia. Na classificação, as melhores métricas foram obtidas com Redes Neurais. As densidades espectrais da água em temperaturas ou de misturas com frações molares próximas são similares, por isso, foi necessário mesclá-las. Para a água, as redes de HB de temperaturas mais baixas são mais similares que em temperaturas mais altas. O número de moléculas de água confinadas foi determinante na estrutura da rede de HB. Nas misturas, frações molares que contém um grupo com quase todas as moléculas foram confundidas entre si, mas quando este agregado foi quebrado, a classificação melhorou. A adição de poucas moléculas de soluto não causa muitas mudanças na rede de HB da água, mas a rede de HB dos solutos é alterada pela adição de poucas moléculas de água. Dentre as misturas, as melhores métricas foram obtidas com o n-butanol, seguido do t-butanol, metanol e amônia. Os resultados da classificação corroboraram os do agrupamento. Portanto, os métodos de aprendizagem de máquina podem ser utilizados no estudo de líquidos e misturas e suas redes de HB. Espera-se que esses resultados possam abrir novos caminhos para a aplicação dessas ferramentas em tais estudos e na teoria de redes complexas. |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-10-04T15:45:39Z |
dc.date.available.fl_str_mv |
2023-10-04T15:45:39Z |
dc.date.issued.fl_str_mv |
2023-08-04 |
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.citation.fl_str_mv |
LIMA, Amanda Marques de. Análises de sistemas estruturados por redes de ligações de hidrogênio com aprendizagem de máquina. 2023. Dissertação (Mestrado em Química) – Universidade Federal de Pernambuco, Recife, 2023. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/52602 |
identifier_str_mv |
LIMA, Amanda Marques de. Análises de sistemas estruturados por redes de ligações de hidrogênio com aprendizagem de máquina. 2023. Dissertação (Mestrado em Química) – Universidade Federal de Pernambuco, Recife, 2023. |
url |
https://repositorio.ufpe.br/handle/123456789/52602 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/embargoedAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
embargoedAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.publisher.program.fl_str_mv |
Programa de Pos Graduacao em Quimica |
dc.publisher.initials.fl_str_mv |
UFPE |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/52602/1/DISSERTA%c3%87%c3%83O%20Amanda%20Marques%20de%20Lima.pdf https://repositorio.ufpe.br/bitstream/123456789/52602/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/52602/3/license.txt https://repositorio.ufpe.br/bitstream/123456789/52602/4/DISSERTA%c3%87%c3%83O%20Amanda%20Marques%20de%20Lima.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/52602/5/DISSERTA%c3%87%c3%83O%20Amanda%20Marques%20de%20Lima.pdf.jpg |
bitstream.checksum.fl_str_mv |
f00cb8cb5253a543775be8488daac0c1 e39d27027a6cc9cb039ad269a5db8e34 5e89a1613ddc8510c6576f4b23a78973 4088d22de576b644c4ec28a0ffc79c0a f99419569eb2960ed4b9a4b573ae2702 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310848489717760 |