Preparação de filmes ultrafinos poliméricos utilizando as técnicas de automontagem e Langmuir-Blodgett para aplicação em sensores de compostos fenólicos

• Processo: 03/01487-9
• Linha de fomento: Bolsas no Brasil - Pós-Doutorado
• Vigência (Início): 01 de setembro de 2003
• Vigência (Término): 31 de janeiro de 2004
• Área do conhecimento: Engenharias - Engenharia de Materiais e Metalúrgica - Materiais Não-metálicos
• Pesquisador responsável: Luiz Henrique Capparelli Mattoso
• Beneficiário: Marystela Ferreira
• Instituição-sede: Embrapa Instrumentação Agropecuária. Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA). Ministério da Agricultura, Pecuária e Abastecimento (Brasil). São Carlos , SP, Brasil
• Vinculado ao auxílio: 01/13745-7 - Desenvolvimento de sensores poliméricos para aplicações na agroindústria e meio ambiente, AP.TEM
• Assunto(s): Polímeros condutores Filmes automontados Sensores

Resumo

O projeto de um ano visa à preparação, caracterização e desenvolvimento de sensores poliméricos, sendo investigados na Embrapa, para a detecção de contaminantes fenólicos em águas residuais através de um sistema de baixo custo. As unidades sensoriais serão compostas de filmes ultrafinos de polímeros condutores e/ou mistos com compostos inorgânicos em diferentes combinações de arquiteturas supramoleculares formados sobre eletrodos interdigitados de ouro, pré-depositados sobre substratos sólidos, através das técnicas de automontagem (LBL) e Langmuir- Blodgett (LB). A facilidade de controle na espessura dos filmes, oferecida por essas técnicas, poderá ser explorada para atingir baixos tempos de resposta das unidades sensoriais. Os sensores serão imersos em diferentes sistemas líquidos, e a aquisição e caracterização dos resultados serão realizadas por medidas elétricas em corrente alternada (AC). Além disso, pretende-se estudar por técnicas espectroscópicas (UV-Vis, FTIR, e Raman) as interações entre os polímeros condutores e os contaminantes fenólicos. Será feita também a análise sensorial por meio de estatística multivariada, como o PCA, e a utilização de redes neurais para melhor compreensão dos resultados. (AU)