Nesse trabalho é apresentado o estudo de redes neurais artificiais (RNAs) como sistemas de aprendizado, simulação e otimização de processos de deposição de filmes finos poliméricos. Duas técnicas de deposição comumente utilizadas para a fabricação de dispositivos eletrônicos e sensores poliméricos foram escolhidas: i) spin coating ou centrifugação e ii) automontagem. Na primeira técnica, a espessura final dos filmes finos obtidos foi a característica avaliada em função da velocidade de rotação, do tempo de rotação e da concentração da solução polimérica. Como material de deposição, utilizou-se a poli(o-metoxianilina) (POMA). Com a segunda técnica analisou-se a influência sobre a espessura, sobre a condutância elétrica e sobre o espectro de absorção, do número de bicamadas, do tempo de exposição dos filmes a uma solução dopante de ácido clorídrico (HCl) e do pH das mesmas. Os poliíons utilizados nessa técnica foram a polianilina (PAni) e o poli(vinil sulfato de sódio) (PVS). Os filmes obtidos pela segunda técnica de deposição constituem uma classe de sensores capazes de detectar e quantificar concentrações baixas de HCl diluído em água. Os treinamentos e simulações com redes neurais artificiais foram realizados apenas para a espessura dos filmes de POMA e a absorção dos filmes de PAni/PVS. Foram construídas redes neurais artificiais do tipo multilayer perceptron (MLP) utilizando o software MATLAB e o componente Neural Networks Toolbox. A reprodutibilidade e o número de neurônios contidos na camada intermediária foram avaliados. Os resultados mostram que as redes neurais artificiais treinadas fornecem boas respostas simuladas interpolando e extrapolando os valores experimentais utilizados. Como conclusão mostra-se que é possível a utilização dessa ferramenta para auxiliar a engenharia de processos, as técnicas e análises de deposições de filmes finos poliméricos. / In this work it is shown a study of artificial neural networks used as learning and simulating systems to optimize polymeric thin films deposition processes. Two common layer deposition techniques to fabricate polymeric electronic devices and polymeric sensors were chosen: i) spin coating and ii) self-assembly. In the first technique the final thickness of obtained thin films was the analyzed characteristic as a function of spin speed, spin time and solution concentration. For the deposited layers we used poly(o-methoxyaniline) (POMA). In the second technique we analyzed the influence of the number of bilayers, the pH of deposition solutions and the dipping time in the final thickness, electrical resistance and UV-Vis absorption spectra. As polyions, we used polyaniline (PAni) and poly(vinyl sodium sulfate) (PVS). These films could be used as a sensor to detect low concentrations of HCl diluted in water. After obtaining the experimental data we constructed artificial neural networks using multilayer perceptrons (MLP) architecture with MATLAB and its component called Neural Networks Toolbox. The number of neurons in the hidden layer and the reproducibility were analyzed. The results show that the trained artificial neural networks used in this work provide good simulation responses interpolating and extrapolating the experimental data. As a conclusion we show that it is possible to utilize this tool to aid the process engineering and the polymeric thin film deposition techniques and analysis
| Identifer | oai:union.ndltd.org:IBICT/oai:teses.usp.br:tde-05092006-130151 |
| Date | 05 May 2006 |
| Creators | John Paul Hempel Lima |
| Contributors | Adnei Melges de Andrade, Emilio Del Moral Hernandez, Valtencir Zucolotto |
| Publisher | Universidade de São Paulo, Engenharia Elétrica, USP, BR |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da USP, instname:Universidade de São Paulo, instacron:USP |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0662 seconds