Uso de machine learning para predição da taxa de sedimentação de fluidos magneto-reológicos

• Ano de defesa: 2025
• Autor(a) principal: Teixeira, Guilherme Silva
• Orientador(a): Stefani, Ricardo
• Banca de defesa: Stefani, Ricardo , Cotrim, Weskley da Silva , Gertrudes, Jadson Castro
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Mato Grosso
• Programa de Pós-Graduação: Programa de Pós-Graduação em Ciência de Materiais
• Departamento: Instituto de Ciências Exatas e da Terra (ICET) – Araguaia
• País: Brasil
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA

Fluidos magneto-reológicos (MRFs) são materiais inteligentes cujas propriedades reológicas podem ser drasticamente alteradas pela aplicação de um campo magnético externo. Esses materiais possuem uma vasta aplicabilidade em indústrias como construção civil, automobilismo, medicina, polimento de peças e outros. Por conta disso, o interesse no entendimento de suas propriedades vem crescendo nos últimos anos. O material é composto por micropartículas magnéticas (e.g. ferrita, ferro carbonílico, dióxido de cromo e óxido de ferro) dispersas em um líquido base (e.g. óleo sintético, óleo mineral, água e outros) e aditivos. Devido à diferença de densidade entre as micropartículas e o líquido base, na ausência de um campo magnético externo ocorre a sedimentação das partículas por gravidade. Diversos fatores podem melhorar a estabilidade desses materiais como tamanho, formato e revestimento das micropartículas, viscosidade, densidade e mistura de diferentes líquidos bases, adição de nanopartículas de diferentes composições e aditivos específicos. Entretanto, testar as diferentes combinações pode ser um desafio por se tratar de um material oneroso. Paralelamente, a aplicação de modelos de aprendizado de máquina (do inglês "machine learning, ML") como alternativa aos métodos teóricos, experimentais e modelos computacionais, tem se mostrado eficaz na solução de problemas de reologia de fluidos. Essa ferramenta surge como uma abordagem atrativa, tornando possível a investigação de múltiplas variáveis com recursos significativamente menores do que outras abordagens. Neste trabalho, foram utilizados cinco modelos de aprendizado de máquinas para predição da taxa de sedimentação de fluidos magneto-reológicos com bases em diversas variáveis que reconhecidamente influenciam a estabilidade do material. Os resultados mostraram que o modelo com melhor capacidade preditiva, baseado no coeficiente de determinação e raiz quadrada do erro médio foi o Random Forest.