Simulação do enrugamento cinético no crescimento de interfaces em materiais multicamadas utilizando aprendizado de máquina

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Makhoul Junior, Bassem Youssef lattes
Orientador(a): Simas Filho, Eduardo Furtado de
Banca de defesa: Aguiar, Eduardo Pestana de, Simas Filho, Eduardo Furtado de, Assis, Thiago Albuquerque de, Aguiar, Eduardo Pestana, Fernandes Jr., Antonio Carlos Lopes, Almeida, Fernando Albuquerque de
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal da Bahia
Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica (PPGEE) 
Departamento: Escola Politécnica
País: Brasil
Palavras-chave em Português:
Área do conhecimento CNPq:
Link de acesso: https://repositorio.ufba.br/handle/ri/36907
Resumo: Por conta do aumento da quantidade de dados disponíveis em modo global e da constante evolução dos modelos e algoritmos de treinamento, técnicas de aprendizado de máquina vêm se tornando cada vez mais populares, isto, seja na indústria como na academia. Na área de ciência dos materiais, modelos que envolvem simulação computacional do crescimento de superfícies em situações fora do equilíbrio termodinâmico ajudam a entender e melhorar a produção de novos materiais. A partir destas premissas, este trabalho tem como principal objetivo empregar modelos de aprendizado de máquina para realizar uma previsão da evolução temporal da rugosidade global, considerando o modelo de deposição balística. O objetivo é realizar uma previsão de sistemas com tamanhos laterais que inviabilizam a obtenção do regime estacionário para a rugosidade global via simulação computacional. Utilizamos como parâmetro de validação a raiz do erro quadrático médio, de forma a avaliar o quão bem sucedido o aprendizado foi realizado pela máquina. Podemos destacar como resultados o acesso a evolução temporal da rugosidade global, bem como ao seu estado estacionário, para tamanhos laterias que ainda não foram observados na literatura, e a partir destes, exploramos situações para o crescimento interfacial considerando substratos unidimensionais e bidimensionais, com resultados consistentes para os expoente de rugosidade previstos no limite termodinâmico.
id UFBA-2_3c14983e4e87d4944adf187ac9103edd
oai_identifier_str oai:repositorio.ufba.br:ri/36907
network_acronym_str UFBA-2
network_name_str Repositório Institucional da UFBA
repository_id_str
spelling 2023-04-24T10:55:14Z2023-04-24T10:55:14Z2023-02-08https://repositorio.ufba.br/handle/ri/36907Por conta do aumento da quantidade de dados disponíveis em modo global e da constante evolução dos modelos e algoritmos de treinamento, técnicas de aprendizado de máquina vêm se tornando cada vez mais populares, isto, seja na indústria como na academia. Na área de ciência dos materiais, modelos que envolvem simulação computacional do crescimento de superfícies em situações fora do equilíbrio termodinâmico ajudam a entender e melhorar a produção de novos materiais. A partir destas premissas, este trabalho tem como principal objetivo empregar modelos de aprendizado de máquina para realizar uma previsão da evolução temporal da rugosidade global, considerando o modelo de deposição balística. O objetivo é realizar uma previsão de sistemas com tamanhos laterais que inviabilizam a obtenção do regime estacionário para a rugosidade global via simulação computacional. Utilizamos como parâmetro de validação a raiz do erro quadrático médio, de forma a avaliar o quão bem sucedido o aprendizado foi realizado pela máquina. Podemos destacar como resultados o acesso a evolução temporal da rugosidade global, bem como ao seu estado estacionário, para tamanhos laterias que ainda não foram observados na literatura, e a partir destes, exploramos situações para o crescimento interfacial considerando substratos unidimensionais e bidimensionais, com resultados consistentes para os expoente de rugosidade previstos no limite termodinâmico.Due to the increase in the amount of data available globally and the constant evolution of training models and algorithms, machine learning techniques are becoming increasingly popular, whether in industry or academia. In the area of materials science, models involving computational simulation of surface growth in situations outside of thermodynamic equilibrium help to understand and improve the production of new materials. Based on these assumptions, this work has as main objective to use machine learning models to predict the temporal evolution of global roughness, considering the ballistic deposition model. The objective is to perform a prediction of systems with lateral sizes that make it impossible to obtain the steady state for the global roughness via computational simulation. We used the root mean squared error as a validation parameter, in order to assess how successful the learning was performed by the machine. We can highlight as results the access to the temporal evolution of global roughness, as well as its steady state, for lateral sizes that have not yet been observed in the literature, and from these, we explore situations for interfacial growth considering one-dimensional and two-dimensional substrates, with results consistent for the predicted roughness exponents in the thermodynamic limit.Submitted by Bassem Makhoul (bassem_ymj@hotmail.com) on 2023-04-05T18:17:26Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Dissertação de mestrado final.pdf: 4964237 bytes, checksum: 6ab24d727d05db75896b49dd68cfa463 (MD5)Approved for entry into archive by Biblioteca Engenharia Processamento Técnico (biengproc@ufba.br) on 2023-04-24T10:55:14Z (GMT) No. of bitstreams: 2 Dissertação de mestrado final.pdf: 4964237 bytes, checksum: 6ab24d727d05db75896b49dd68cfa463 (MD5) license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5)Made available in DSpace on 2023-04-24T10:55:14Z (GMT). No. of bitstreams: 2 Dissertação de mestrado final.pdf: 4964237 bytes, checksum: 6ab24d727d05db75896b49dd68cfa463 (MD5) license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Previous issue date: 2023-02-08porUniversidade Federal da BahiaPrograma de Pós-Graduação em Engenharia Elétrica (PPGEE) UFBABrasilEscola PolitécnicaAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessBallistic depositionDeposition processNeural networksCNPQ::CIENCIAS EXATAS E DA TERRACNPQ::ENGENHARIASDeposição balísticaProcessos de deposiçãoRedes neuraisSimulação do enrugamento cinético no crescimento de interfaces em materiais multicamadas utilizando aprendizado de máquinaMestrado Acadêmicoinfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersionSimas Filho, Eduardo Furtado deAssis, Thiago Albuquerque deAguiar, Eduardo Pestana deSimas Filho, Eduardo Furtado deAssis, Thiago Albuquerque deAguiar, Eduardo PestanaFernandes Jr., Antonio Carlos LopesAlmeida, Fernando Albuquerque dehttps://lattes.cnpq.br/2260858026428391Makhoul Junior, Bassem Youssefreponame:Repositório Institucional da UFBAinstname:Universidade Federal da Bahia (UFBA)instacron:UFBATEXTDissertação de mestrado final.pdf.txtDissertação de mestrado final.pdf.txtExtracted texttext/plain130091https://repositorio.ufba.br/bitstream/ri/36907/4/Disserta%c3%a7%c3%a3o%20de%20mestrado%20final.pdf.txtcadd1b25dbabf98f5cb59b777a5e99c3MD54ORIGINALDissertação de mestrado final.pdfDissertação de mestrado final.pdfDissertação de mestradoapplication/pdf4964237https://repositorio.ufba.br/bitstream/ri/36907/1/Disserta%c3%a7%c3%a3o%20de%20mestrado%20final.pdf6ab24d727d05db75896b49dd68cfa463MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufba.br/bitstream/ri/36907/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain1715https://repositorio.ufba.br/bitstream/ri/36907/3/license.txt67bf4f75790b0d8d38d8f112a48ad90bMD53ri/369072023-04-29 02:04:31.056oai:repositorio.ufba.br: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Repositório InstitucionalPUBhttp://192.188.11.11:8080/oai/requestopendoar:19322023-04-29T05:04:31Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA)false
dc.title.pt_BR.fl_str_mv Simulação do enrugamento cinético no crescimento de interfaces em materiais multicamadas utilizando aprendizado de máquina
title Simulação do enrugamento cinético no crescimento de interfaces em materiais multicamadas utilizando aprendizado de máquina
spellingShingle Simulação do enrugamento cinético no crescimento de interfaces em materiais multicamadas utilizando aprendizado de máquina
Makhoul Junior, Bassem Youssef
CNPQ::CIENCIAS EXATAS E DA TERRA
CNPQ::ENGENHARIAS
Deposição balística
Processos de deposição
Redes neurais
Ballistic deposition
Deposition process
Neural networks
title_short Simulação do enrugamento cinético no crescimento de interfaces em materiais multicamadas utilizando aprendizado de máquina
title_full Simulação do enrugamento cinético no crescimento de interfaces em materiais multicamadas utilizando aprendizado de máquina
title_fullStr Simulação do enrugamento cinético no crescimento de interfaces em materiais multicamadas utilizando aprendizado de máquina
title_full_unstemmed Simulação do enrugamento cinético no crescimento de interfaces em materiais multicamadas utilizando aprendizado de máquina
title_sort Simulação do enrugamento cinético no crescimento de interfaces em materiais multicamadas utilizando aprendizado de máquina
author Makhoul Junior, Bassem Youssef
author_facet Makhoul Junior, Bassem Youssef
author_role author
dc.contributor.advisor1.fl_str_mv Simas Filho, Eduardo Furtado de
dc.contributor.advisor-co1.fl_str_mv Assis, Thiago Albuquerque de
dc.contributor.referee1.fl_str_mv Aguiar, Eduardo Pestana de
Simas Filho, Eduardo Furtado de
dc.contributor.referee2.fl_str_mv Assis, Thiago Albuquerque de
dc.contributor.referee3.fl_str_mv Aguiar, Eduardo Pestana
dc.contributor.referee4.fl_str_mv Fernandes Jr., Antonio Carlos Lopes
dc.contributor.referee5.fl_str_mv Almeida, Fernando Albuquerque de
dc.contributor.authorLattes.fl_str_mv https://lattes.cnpq.br/2260858026428391
dc.contributor.author.fl_str_mv Makhoul Junior, Bassem Youssef
contributor_str_mv Simas Filho, Eduardo Furtado de
Assis, Thiago Albuquerque de
Aguiar, Eduardo Pestana de
Simas Filho, Eduardo Furtado de
Assis, Thiago Albuquerque de
Aguiar, Eduardo Pestana
Fernandes Jr., Antonio Carlos Lopes
Almeida, Fernando Albuquerque de
dc.subject.cnpq.fl_str_mv CNPQ::CIENCIAS EXATAS E DA TERRA
CNPQ::ENGENHARIAS
topic CNPQ::CIENCIAS EXATAS E DA TERRA
CNPQ::ENGENHARIAS
Deposição balística
Processos de deposição
Redes neurais
Ballistic deposition
Deposition process
Neural networks
dc.subject.por.fl_str_mv Deposição balística
Processos de deposição
Redes neurais
dc.subject.other.pt_BR.fl_str_mv Ballistic deposition
Deposition process
Neural networks
description Por conta do aumento da quantidade de dados disponíveis em modo global e da constante evolução dos modelos e algoritmos de treinamento, técnicas de aprendizado de máquina vêm se tornando cada vez mais populares, isto, seja na indústria como na academia. Na área de ciência dos materiais, modelos que envolvem simulação computacional do crescimento de superfícies em situações fora do equilíbrio termodinâmico ajudam a entender e melhorar a produção de novos materiais. A partir destas premissas, este trabalho tem como principal objetivo empregar modelos de aprendizado de máquina para realizar uma previsão da evolução temporal da rugosidade global, considerando o modelo de deposição balística. O objetivo é realizar uma previsão de sistemas com tamanhos laterais que inviabilizam a obtenção do regime estacionário para a rugosidade global via simulação computacional. Utilizamos como parâmetro de validação a raiz do erro quadrático médio, de forma a avaliar o quão bem sucedido o aprendizado foi realizado pela máquina. Podemos destacar como resultados o acesso a evolução temporal da rugosidade global, bem como ao seu estado estacionário, para tamanhos laterias que ainda não foram observados na literatura, e a partir destes, exploramos situações para o crescimento interfacial considerando substratos unidimensionais e bidimensionais, com resultados consistentes para os expoente de rugosidade previstos no limite termodinâmico.
publishDate 2023
dc.date.accessioned.fl_str_mv 2023-04-24T10:55:14Z
dc.date.available.fl_str_mv 2023-04-24T10:55:14Z
dc.date.issued.fl_str_mv 2023-02-08
dc.type.driver.fl_str_mv Mestrado Acadêmico
info:eu-repo/semantics/masterThesis
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufba.br/handle/ri/36907
url https://repositorio.ufba.br/handle/ri/36907
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal da Bahia
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Engenharia Elétrica (PPGEE) 
dc.publisher.initials.fl_str_mv UFBA
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Escola Politécnica
publisher.none.fl_str_mv Universidade Federal da Bahia
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFBA
instname:Universidade Federal da Bahia (UFBA)
instacron:UFBA
instname_str Universidade Federal da Bahia (UFBA)
instacron_str UFBA
institution UFBA
reponame_str Repositório Institucional da UFBA
collection Repositório Institucional da UFBA
bitstream.url.fl_str_mv https://repositorio.ufba.br/bitstream/ri/36907/4/Disserta%c3%a7%c3%a3o%20de%20mestrado%20final.pdf.txt
https://repositorio.ufba.br/bitstream/ri/36907/1/Disserta%c3%a7%c3%a3o%20de%20mestrado%20final.pdf
https://repositorio.ufba.br/bitstream/ri/36907/2/license_rdf
https://repositorio.ufba.br/bitstream/ri/36907/3/license.txt
bitstream.checksum.fl_str_mv cadd1b25dbabf98f5cb59b777a5e99c3
6ab24d727d05db75896b49dd68cfa463
e39d27027a6cc9cb039ad269a5db8e34
67bf4f75790b0d8d38d8f112a48ad90b
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA)
repository.mail.fl_str_mv
_version_ 1801503110571491328