Ref.: MpoMss04-001

Microplásticos na Inteligência Artificial: Identificação e Quantificação Utilizando Reflexão a Laser Assistida por Rede Neural Treinada com Imagens.

Apresentador: Karine Velasco De Araujo

Autores (Instituição): Araujo, K.V.(Instituto de Macromoléculas Professora Eloisa Mano); Maranhão, F.d.(Instituto de Macromoleculas.UFRJ); Souza Junior, F.G.(Instituto de Macromoleculas.UFRJ);

Resumo:
A Organização para a Cooperação e Desenvolvimento Econômico (OCDE) estima que a produção anual de plásticos baseados em combustíveis fósseis chegará a 1,2 bilhão de toneladas até 2060, produzindo resíduos na ordem de 1 bilhão de toneladas. Parte considerável disso é descartada de forma inadequada, causando severos impactos ambientais. Dentre esses impactos, a fragmentação desses materiais poliméricos em escala micrométrica leva a microplásticos que são contaminantes persistentes capazes de ampla penetração na cadeia trófica, já tendo sido detectados inclusive na corrente sanguínea humana. Portanto, mitigar esse problema deve ser uma constante. Entre as preocupações, novas formas de quantificação, mais eficientes e dinâmicas, precisam de investimento. Assim, as Redes Neurais podem trazer vantagens ao processo de classificação e até quantificação de microplásticos. Essas redes neurais são alimentadas principalmente por imagens obtidas via irradiação a laser de fragmentos poliméricos. Utilizando o software VOSviewer em conjunto com códigos desenvolvidos em Python foram identificados os polímeros de maior relevância para o estudo de microplásticos, que são: Poliestireno (PS), Polietileno de alta densidade (HDPE), Polipropileno (PP), Tereftalato de polietileno (PET), Poliestireno alto impacto modificado (HIPS) e Poliamida (Nylon), e assim este trabalho tem a finalidade de treinar uma inteligência artificial para identificação microplásticos, por meio da reflexão laser. Ao realizar a comparação da identificação dos polímeros obtidos por: TGA, DRX e FTIR com a inteligência artificial, foi possível identificar uma precisão de 94%, o que demonstra que essa nova técnica emerge como uma inovação tecnológica significativa para a identificação e classificação de materiais poliméricos.