Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/57073
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
KadilaRochaDeSantanaOliveira_DISSERT.pdf1,38 MBAdobe PDFVisualizar/Abrir
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorPereira Júnior, Marcelo Lopes-
dc.contributor.authorOliveira, Kadila Rocha de Santana-
dc.date.accessioned2026-10-01T16:48:09Z-
dc.date.available2026-10-01T16:48:09Z-
dc.date.issued2026-10-01-
dc.date.submitted2026-03-31-
dc.identifier.citationOLIVEIRA, 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.urihttp://repositorio.unb.br/handle/10482/57073-
dc.descriptionDissertação (mestrado) — Universidade de Brasília, Faculdade UnB Planaltina, Programa de Pós-Graduação em Ciências de Materiais, 2026.pt_BR
dc.description.abstractA 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.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)pt_BR
dc.language.isoporpt_BR
dc.rightsAcesso Abertopt_BR
dc.titleEstabilidade do grafeno sob dopagem com manganês : análise de colisões dinâmicas e topologias de redes via inteligência artificialpt_BR
dc.typeDissertaçãopt_BR
dc.subject.keywordManganêspt_BR
dc.subject.keywordGrafenopt_BR
dc.subject.keywordAprendizado de máquinapt_BR
dc.rights.licenseA 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.advisorcoTromer, Matozo Raphael-
dc.description.abstract1The 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.unidadeFaculdade UnB Planaltina (FUP)pt_BR
dc.description.ppgPrograma de Pós-Graduação em Ciências de Materiaispt_BR
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro simples do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.