Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/11511| Título: | Determinação do tamanho de nanopartículas de polimetacrilato de metila utilizando redes neurais artificiais |
| Título(s) alternativo(s): | Use of artificial neural networks to predict medium methyl polymethacrylate nanoparticles size |
| Autor(es): | Baumbach, Fernanda Pegoraro |
| Orientador(es): | Romio, Ana Paula |
| Palavras-chave: | Redes neurais (Computação) Materiais nanoestruturados Emulsões Neural networks (Computer science) Nanostructured materials Emulsions |
| Data do documento: | 15-Jun-2018 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Francisco Beltrao |
| Citação: | BAUMBACH, Fernanda Pegoraro. Determinação do tamanho de nanopartículas de polimetacrilato de metila utilizando redes neurais artificiais. 2018. 47 f. Trabalho de Conclusão de Curso (Graduação) – Universidade Tecnológica Federal do Paraná, Francisco Beltrão, 2018. |
| Resumo: | As redes neurais artificiais são sistemas computacionais que podem ser usados para resolver problemas de engenharia e matemática, sendo principalmente utilizadas em problemas não lineares. Recentemente, ocorreu a introdução da área das redes neurais artificiais à nanotecnologia. A nanotecnologia é uma área com variadas aplicações devido às características especificas das nanopartículas, em especial, seu tamanho na faixa de 100nm. É crucial para as aplicações de nanopartículas que estas estejam perto desta faixa, portanto, a utilização de redes neurais artificiais para predição do tamanho de partículas é de grande contribuição para a área. Neste contexto este trabalho visou treinar redes neurais artificiais utilizando dados de reações de polimerização de metacrilato de metila, em que foram variados parâmetros da reação, como o tipo de surfactante e o tipo de iniciador utilizado. Objetivouse também predizer o tamanho de partícula final, através da rede com o desempenho ótimo, variando a quantidade de surfactante adicionado a reação. A rede neural foi construída com parâmetros variados. Foram construídas 48 estruturas onde se variou o número de neurônios na camada escondida da rede, a função de transferência na camada escondida e de saída e o algoritmo de treinamento. Um único tipo de rede foi utilizado, a rede de propagação, com 13 parâmetros na camada de entrada e um na saída, sendo este parâmetro da saída o diâmetro médio de partícula. Dentre as redes construídas, a que apresentou o desempenho ótimo foi a treinada com o algoritmo de Levenberg-Marquardt, utilizando 20 neurônios na camada escondida, a função logsig na camada escondida e linear na saída. Esta rede foi determinada com desempenho ótimo a partir de seu erro médio e coeficiente de correlação. Em geral, as redes com os melhores desempenhos foram as treinadas com o algoritmo de Levenberg-Marquardt backpropagation e Retropropagação resiliente. |
| Abstract: | Artificial neural networks are computational systems that can be used to solve complex math and engineering problems, being mostly used in non-linear problems. Recently, the introduction of the artificial neural network area into the nanotechnology has been increasing. Nanotechnology is an area with vast applications due to the specific characteristics of the nanoparticles, especially its size in the range of 100nm. It is crucial for the application of nanoparticles that they meet the requirement of having they size in the 100nm range, therefore, the use of artificial neural networks for the prediction of particle size may has an huge contribution to the area. In this context, this study aimed the training of artificial neural networks using data from MMA polymerization, where various parameters of the reaction were variated, for example, the surfactant and the initiator. I was also aimed to predict the final particle size using the better trained network varying the initial amount of surfactant used in the reaction. The neural network was built with varied parameters. In total there were 48 structures where the transfer functions in the hidden and output layers were varied along with the number of neurons in the hidden layer and the training function. A single type of neural network was used, the feedforward network, with 13 parameters in the input layer and one in the output layer, being it the medium particle diameter. Amongthe trained networks, the best performance was the one trained with the algorithm Levenberg-Marquardt backpropagation, using 20 neurons in the hidden layer and logsig function on the hidden layers along with a linear function in the output. Mostly, the networks with the best performance were the ones trained with the Levenberg-Marquardt backpropagation and Resilient Backpropagation algorithms. Finally, the prections using the best performance network had results in accordance with the literature. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/11511 |
| Aparece nas coleções: | FB - Engenharia Química |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| FB_COENQ_2018_1_08.pdf | 1,07 MB | Adobe PDF |  Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.