Neste repositório estão os arquivos e os notebooks relacionados ao Trabalho de Conclusão de Semestre da disciplina de Redes Neurais e Algoritmos Genéticos.
Os nanomateriais apresentam diversas aplicações nas mais diferentes áreas, como drug delivery, óptica, medicina e energia. Nesse projeto, estaremos trabalhando com nanorods de ouro, um nanomaterial metálico de formato de bastão, com propriedades e usos ainda mais específicos. No entanto, o processo de síntese dessas nanorods é um processo extremamente delicado, passando por diversas etapas e demandando bastante tempo. Assim, utilizamos redes neurais para fazer predições da síntese ideal, buscando avaliar os possíveis desempenhos com variações dos parâmetros do experimento. Para o treinamento, usamos dados experimentais de diferentes sínteses, nas quais se variaram diferentes aspectos dos reagentes e se obteve diferentes dados de Espectroscopia no Ultravioleta Visível e Infravermelho Próximo (UV-VIS-NIR).
Integrantes do projeto: Pedro Zanineli, Shaian Anghinoni e Felipe Minatogau
📁 dados: são os dados coletados pelo UV-VIS-NIR de cada uma das sínteses que foram desenvolvidas.
📁 dados tratados: dados tabelados com os valores de picos, obtidos após serem tratados nos notebooks 2.0 - obtecao dados v0 e v1.
📁 figs: pasta com as imagens geradas nos notebooks.
📄 1 - calculo de picos.ipynb: Notebook para encontrar os valores máximos de cada pico que temos de nossos dados.
📄 2.0 - obtencao dados v0.ipynb e 2.1 - obtencao dados v1.ipynb: Tratamento de dados de UV-VIS-NIR, no qual obtemos para cada arquivo os valores máximos de pico. Como cada dado são picos com diferentes alturas, tivemos que mudar os parâmetros para cada caso, o que foi um processo manual. Portato, quando for baixar o código em seu computador, apenas rodar todo o código não irá funcionar.
📄 3 - calculo de picos.ipynb: Notebook onde pegamos as features (rotas de síntese e os dados tabelados no excel) e os targets e plotamos a matriz de correlação (correlação de pearson). Nossos targets são os valores máximos dos picos de absorbância do UV-VIS-NIR.
📄 4.0 - redução de dimensionalidade (n=2).ipynb: Nesse notebook, aplicamos o método de Principal Component Analysis (PCA) nos dados obtidos anteriormente para encontrar as duas features principais. Aqui, utilizamos duas componentes (n=2). No outro notebook, (📄 4.1 - redução de dimensionalidade (n=3).ipynb), aplicamos para n=3, porém escolhemos trabalhar com a redução de dimensionalidade com duas componentes para ter uma razão maior entre os dados e as features.
📄 5 - rede neural regressor.ipynb: Nesse notebook, aplicamos todas as nossas redes neurais, como a de regressão, com classificador, e com regressor e classificador com PCA de duas componentes.
📄 6 - plot importância.ipynb: Nesse notebook, calculamos e plotamos as importâncias das features.