PRODUÇÃO E CARACTERIZAÇÃO DE FILAMENTOS CONDUTORES COM ANÁLISE DOS PARÂMETROS ELETROANALÍTICOS USANDO UNSUPERVISED MACHINE LEARNING

A produção de filamentos condutores para impressão 3D por modelagem por deposição
fundida tem se destacado em relação aos filamentos comerciais devido à maior
flexibilidade na escolha e proporção de materiais condutores. Além disso, o uso de
plastificantes facilita a impressão de eletrodos[1]. O objetivo deste estudo foi
desenvolver filamentos condutores de Grafite (GT), Óleo de Rícino (OR) e PLA para
aplicação em dispositivos impressos em 3D. Os compósitos foram produzidos pela
dispersão de pó de GT (35, 40 e 45% m/m) em diclorometano com OR (5, 10 e 15%
m/m) e PLA, conforme o planejamento fatorial 3², sob agitação e temperatura
controladas[1,2]. Os filamentos foram extrusados e submetidos a caracterizações
físico-químicas e eletroquímicas. A análise dos dados[3] foi realizada por ANOVA, análise
de componentes principais (PCA) e correlação de Pearson, por meio de modelos
unsupervised machine learning implementadas em Python®. Os resultados indicaram
que as variações nos componentes afetaram significativamente as respostas
eletroquímicas, com aumento de I_pa (6,4 ± 3,1 μA), I_pc (−7,2 ± 2,6 μA), área eletroativa
(2,5 ± 0,7 mm²), área real (2,1 ± 0,6%) e redução do ΔE_p (160± 40 mV) em comparação
com os filamentos sem OR. A ANOVA revelou que I_pa influenciou significativamente I_pc, e
que E_pa impactou E_pc, indicando uma alta correlação entre esses parâmetros. A PCA e
correlação de Pearson demonstraram que as maiores variações nos percentuais de GT e
OR afetaram de maneira significativa as respostas eletroquímicas.

Agradecimentos. À CAPES pela concessão de bolsa de estudo, à FAPERJ (procs.
E-26/290.009/2023) e o CNPq (procs. 408001/2023-2) pelos auxílios financeiros.
Referências. [1] Crapnell e Arantes, Green Chemistry, 25, 5591-5600 (2023); [2] Stefano
e Silva, Analytica Chimica Acta, 1191, 339372, (2022); [3] Fávero e Belfiore, Manual de
Análise de Dados: Estatística e Machine Learning com Excel®, SPSS®, Stata®, R® e
Python®, Rio de Janeiro: LTC (2024).