Uso de aprendizado de máquina e extração de dados para criar um novo conjunto de informações sobre o índice de refração dos vidros óxidos.

• Processo: 25/02033-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de junho de 2025
• Data de Término da vigência: 31 de maio de 2027
• Área de conhecimento: Engenharias - Engenharia de Materiais e Metalúrgica - Materiais Não-metálicos
• Pesquisador responsável: Thiago Rodrigo Ramos
• Beneficiário: Thomaz Yeiden Busnardo Aguena
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Vinculado ao auxílio: 13/07793-6 - CEPIV - Centro de Ensino, Pesquisa e Inovação em Vidros, AP.CEPID
• Assunto(s): Aprendizado computacional Materiais Índice de refração Vidros óxidos
• Palavra(s)-Chave do Pesquisador: Algoritimos Genéticos | Aprendizado de Máquina | Ciência dos materiais | Extração de Dados | Índice de refração | Vidros óxidos | Aprendizado de máquina aplicado a vidros óxidos.

Resumo

Este projeto tem como objetivo: 1) Desenvolver um código de computador capaz de coletar as composições químicas de vidros óxidos e seus Índices de Refração (IR), conforme relatado em patentes. Vale ressaltar que as patentes frequentemente não apresentam dados completos sobre o vidro patenteado, pois as empresas geralmente medem apenas as propriedades relevantes para suas invenções. Consequentemente, o programa deve ser totalmente adaptado para extrair informações adicionais além do Índice de Refração. Simultaneamente, outros alunos estarão trabalhando em dois projetos adicionais, desenvolvendo códigos separados especificamente projetados para coletar dados sobre viscosidade e Tliquidus, duas propriedades cruciais dos vidros óxidos. Eric Trevelato Costa se concentrará na viscosidade, enquanto Gustavo Laranja Thomaello se concentrará no Tliquidus. 2) Criar um novo dataframe com os dados coletados para aprimorar a precisão dos modelos de aprendizado de máquina quando combinados com conjuntos de dados existentes, como o SciGlass. 3) Utilizar aprendizado de máquina que aproveita modelos preditivos baseados em dados para prever as composições de vidros óxidos e seus respectivos Índices de Refração. (AU)