Predição dos parâmetros gaussianos dos espectros raman de vidros teluretos utilizando redes neurais perceptron multicamadas

Abstract

Esta dissertação apresenta a aplicação de redes neurais artificiais (RNAs) do tipo perceptrons multicamadas (MLP) para a análise e extração automática de parâmetros físicos de espectros Raman de vidros teluretos. Esses materiais, à base de TeO2, possuem propriedades ópticas e eletrônicas relevantes, porém apresentam espectros Raman complexos e sobrepostos em função de sua estrutura amorfa, o que torna os métodos tradicionais de deconvolução gaussiana trabalhosos e limitados, especialmente em condições de ruído. Para contornar essas limitações, foi construído um banco de dados teórico composto por curvas Raman simuladas com diferentes níveis de ruído (1%, 2% e 5%), utilizado no treinamento e na validação das redes neurais. Após o treinamento, as MLPs foram aplicadas a espectros Raman experimentais de vidros teluretos, permitindo a extração automática dos parâmetros de cada banda espectral, como posição central, largura e área, tradicionalmente obtidos por procedimentos iterativos de ajuste. Os resultados demonstraram que as redes neurais foram capazes de ajustar adequadamente os espectros Raman, apresentando alta correlação entre os valores teóricos e experimentais, mesmo em condições de elevado ruído, além de reduzir significativamente o tempo de análise. Dessa forma, o método proposto configura-se como uma alternativa robusta e eficiente aos métodos convencionais de deconvolução gaussiana, mostrando-se uma ferramenta promissora para o ajuste automático e a interpretação de espectros Raman, contribuindo para o avanço da aplicação de técnicas de inteligência artificial na caracterização de materiais vítreos.