Para citar este trabalho use um dos padrões abaixo:
A determinação de propriedades físico-químicas como o Número de Octano e o Número de Cetano é fundamental para a qualidade de
combustíveis, porém os ensaios experimentais padronizados são onerosos e demandam tempo. Este trabalho busca a integração de
uma Rede Neural Artificial baseada em contribuição de grupos com a metodologia híbrida de representação molecular MAG-SOLex
para estimar o RON, MON e NC de hidrocarbonetos puros. A modelagem utiliza a matriz SOLex para a quantificação rápida de atributos
estruturais globais e a matriz MAG para o detalhamento posicional, alimentando a rede neural. Os resultados evidenciaram que a
metodologia MAG-SOLex identifica com eficiência os parâmetros funcionais exigidos pela RNA, otimizando o custo computacional. O
algoritmo gerou predições aderentes ao perfil original da rede base, com desvios contidos na faixa de incerteza absoluta. Além disso,
o método preservou sua consistência qualitativa ao capturar fenômenos como o decaimento do RON associado ao alongamento de
ramificações alquílicas. Conclui-se que a integração metodológica é válida e robusta, estabelecendo a base para futuras aplicações
em misturas de hidrocarbonetos e compostos oxigenados.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo