Predição da viscosidade de líquidos iônicos através da metodologia QSPR

• Autor(a) principal: Moscon, Vinícius Grazzioli
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/235814
• topic: Líquidos iônicos; Viscosidade

Debates a respeito de preservação e sustentabilidade tem aumentado ao longo dos anos, entre as pautas abordadas está o impacto causado por solventes orgânicos ao ambiente. Como alternativa de substituição destes solventes, estão surgindo, cada vez mais em destaque, os líquidos iônicos, já que a grande maioria deles possui pressão de vapor desprezível em temperatura ambiente. Entretanto, o desenvolvimento e estudo das propriedades destes líquidos pode ser caro e demorado. Uma das propriedades fundamentais em qualquer processo químico, que deve ser conhecida, é a viscosidade do fluído. Com esta motivação, neste trabalho foi desenvolvido um modelo de predição de viscosidade de líquidos iônicos baseado na relação quantitativa estrutura-propriedade (QSPR). Esta relação é uma abordagem eficaz para determinar uma relação quantitativa entre a viscosidade e a estrutura iônica para líquidos iônicos, pois vincula matematicamente as propriedades físicas ou químicas com a estrutura de uma molécula. Para desenvolvimento do trabalho, foram utilizados descritores moleculares como variáveis de entrada do modelo matemático gerado pela técnica de aprendizado de máquina. Esses descritores foram calculados, previamente, pelo pacote computacional EnalosMold2, dentro do software KNIME. Foram selecionados os descritores mais correlacionados com a variável de saída, a viscosidade. Através de um aprendizado de máquina, foi gerado um modelo que é capaz de predizer a viscosidade dos líquidos iônicos. Esse modelo foi avaliado por métricas de erro e pelos critérios de Tropsha. O resultado foi bastante satisfatório e todos os critérios de Tropsha foram aceitos, logo, conclui-se que o modelo gerado através da abordagem QSPR é capaz de predizer o fenômeno estudado.