| Campo DC | Valor | Idioma |
| dc.contributor.advisor | Pereira Júnior, Marcelo Lopes | - |
| dc.contributor.author | Oliveira, Kadila Rocha de Santana | - |
| dc.date.accessioned | 2026-10-01T16:48:09Z | - |
| dc.date.available | 2026-10-01T16:48:09Z | - |
| dc.date.issued | 2026-10-01 | - |
| dc.date.submitted | 2026-03-31 | - |
| dc.identifier.citation | OLIVEIRA, Kadila Rocha de Santana. Estabilidade do grafeno sob dopagem com manganês: análise de colisões dinâmicas e topologias de redes via inteligência artificial. 2026. 55 f., il. Dissertação (Mestrado em Ciências de Materiais) — Universidade de Brasília, Brasília, 2026. | pt_BR |
| dc.identifier.uri | http://repositorio.unb.br/handle/10482/57073 | - |
| dc.description | Dissertação (mestrado) — Universidade de Brasília, Faculdade UnB Planaltina, Programa de Pós-Graduação em Ciências de Materiais, 2026. | pt_BR |
| dc.description.abstract | A dopagem do grafeno com metais de transição tem se consolidado como uma estraté gia altamente eficaz para modificar e controlar suas propriedades físicas e químicas,
permitindo a personalização de características eletrônicas, catalíticas e magnéticas de
acordo com a aplicação desejada. Nesse contexto, este estudo dedica-se à análise da
estabilidade estrutural do grafeno dopado com manganês (Mn), empregando uma
abordagem integrada que combina cálculos semiempíricos do calor de formação (Heat
of Formation – HOF) com técnicas de aprendizado de máquina e o uso de descritores
interpretáveis, capazes de fornecer insights físicos sobre os fatores que governam essa
estabilidade. Para isso, foi construído um banco de dados cuidadosamente selecionado,
contemplando uma ampla faixa de concentrações de dopantes e diferentes distâncias
de correlação entre os átomos de manganês inseridos na rede do grafeno. Esse con junto de dados foi explorado por meio de diversos modelos de regressão, incluindo
métodos lineares tradicionais, algoritmos baseados em árvores de decisão e modelos
avançados de gradient boosting. Entre as abordagens testadas, o algoritmo XGBoost
destacou-se por apresentar o melhor desempenho preditivo, evidenciando sua capaci dade de capturar relações não lineares complexas entre os descritores estruturais e o
calor de formação do sistema. A análise dos resultados obtidos indica de forma clara
que três parâmetros estruturais exercem influência dominante sobre o valor do HOF
e, consequentemente, sobre a estabilidade do grafeno dopado com Mn. O primeiro
deles é a distância entre os átomos de manganês, uma vez que separações Mn–Mn
muito curtas tendem a introduzir tensões locais e interações desfavoráveis na rede
cristalina. O segundo fator relevante é a concentração do dopante, sendo observado
que níveis mais elevados de manganês contribuem para a desestabilização estrutural
do material. Por fim, a manutenção da simetria local de seis membros, característica
da rede hexagonal do grafeno, mostrou-se um elemento crucial para a estabilização
do sistema. Em particular, verificou-se que a preservação da ordem hexagonal atua
como um mecanismo estabilizador ao manter a integridade da estrutura intrínseca do
grafeno, minimizando distorções na rede e reduzindo o impacto negativo da dopagem.
Em contrapartida, a quebra dessa simetria local está associada a um aumento do calor
de formação, refletindo uma menor estabilidade termodinâmica. | pt_BR |
| dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | pt_BR |
| dc.language.iso | por | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.title | Estabilidade do grafeno sob dopagem com manganês : análise de colisões dinâmicas e topologias de redes via inteligência artificial | pt_BR |
| dc.type | Dissertação | pt_BR |
| dc.subject.keyword | Manganês | pt_BR |
| dc.subject.keyword | Grafeno | pt_BR |
| dc.subject.keyword | Aprendizado de máquina | pt_BR |
| dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | pt_BR |
| dc.contributor.advisorco | Tromer, Matozo Raphael | - |
| dc.description.abstract1 | The doping of graphene with transition metals has emerged as a highly effective
strategy for tuning and controlling its physical and chemical properties, enabling the
customization of electronic, catalytic, and magnetic functionalities for a wide range of
applications. In this context, the present study focuses on the analysis of the structural
stability of manganese (Mn)-doped graphene by adopting an integrated approach that
combines semi-empirical calculations of the heat of formation (HOF) with machine
learning techniques and the use of interpretable descriptors capable of providing phys ical insight into the factors governing stability. To this end, a carefully curated database
was constructed, encompassing a broad range of dopant concentrations and varying
correlation distances between manganese atoms incorporated into the graphene lattice.
This dataset was explored using several regression models, including conventional
linear methods, tree-based algorithms, and advanced gradient-boosting approaches.
Among the tested techniques, the XGBoost algorithm stood out by delivering the
highest predictive performance, highlighting its ability to capture complex, non-linear
relationships between structural descriptors and the heat of formation of the system.
The analysis of the obtained results clearly indicates that three structural parame ters play a dominant role in determining the HOF and, consequently, the stability
of Mn-doped graphene. The first key factor is the separation between manganese
atoms, as short Mn–Mn distances tend to introduce local strain and unfavorable inter actions within the crystalline network. The second relevant parameter is the dopant
concentration, with higher manganese contents contributing to increased structural
destabilization. Finally, the preservation of local sixfold symmetry, which is character istic of graphene’s hexagonal lattice, was identified as a critical stabilizing element. In
particular, it was observed that the maintenance of hexagonal order acts as a stabilizing
mechanism by preserving the intrinsic framework of graphene, minimizing lattice
distortions and mitigating the adverse effects of doping. In contrast, the disruption of
local sixfold symmetry is associated with higher heat-of-formation values, reflecting
reduced thermodynamic stability. | pt_BR |
| dc.description.unidade | Faculdade UnB Planaltina (FUP) | pt_BR |
| dc.description.ppg | Programa de Pós-Graduação em Ciências de Materiais | pt_BR |
| Aparece nas coleções: | Teses, dissertações e produtos pós-doutorado
|