Banca de DEFESA: FRANKLIN FERREIRA DA SILVA FILHO

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: FRANKLIN FERREIRA DA SILVA FILHO
DATA : 31/07/2026
HORA: 10:00
LOCAL: Auditório do Departamento
TÍTULO:

Efeito Elastocalórico em Materiais 2D: Dinâmica Molecular e Descoberta Assistida por Aprendizado de Máquina

PALAVRAS-CHAVES:

Efeito elastocalórico. Materiais 2D. Grafeno. Nitreto de boro hexagonal.
Kirigami de grafeno. Dinâmica molecular. Aprendizado de máquina.

 

PÁGINAS: 92
RESUMO:

O efeito elastocalórico (ECE), caracterizado pela variação reversível de temperatura induzida
pela aplicação de tensão mecânica, constitui uma alternativa promissora para a refrigeração
em estado sólido, com potencial para reduzir o impacto ambiental dos sistemas convencionais
e favorecer a miniaturização de dispositivos. Materiais bidimensionais destacam-se
nesse contexto devido à elevada flexibilidade mecânica e à ampla janela elástica. Nesta tese,
investigamos o ECE em grafeno prístino, monocamadas de nitreto de boro hexagonal (h-BN)
e estruturas de kirigami de grafeno por meio de simulações clássicas de dinâmica molecular.
Adicionalmente, aplicamos técnicas de aprendizado de máquina para prever a resposta
elastocalórica em função do design dos kirigami e acelerar a identificação de estruturas com
desempenho otimizado. As simulações revelam que o grafeno prístino apresenta ECE negativo,
cuja magnitude aumenta com a deformação mecânica e com a temperatura inicial 𝑇0,
alcançando valores de até |Δ𝑇| ≈ 100 K nas proximidades da ruptura para 𝑇0 = 900 K. Em
contraste, o h-BN exibe inicialmente ECE positivo de +7 K em pequenas deformações, antes
da transição para um regime de ECE negativo em deformações mais elevadas. Em relação a
modificações estruturais do grafeno, investigamos um conjunto de 16.807 designs de kirigami
e calculamos seus coeficientes elastocalóricos (ECC) utilizados como métrica de desempenho
elastocalórico, definidos como a razão entre a variação de temperatura e a tensão aplicada.
Os resultados mostram ECC variando entre −0,14 K/GPa, correspondente ao grafeno prístino,
e 2,14 K/GPa, com 96,3% das geometrias apresentando Δ𝑇 positivo. Demonstramos
também que modelos de aprendizado de máquina, especialmente Redes Neurais Convolucionais,
conseguem prever o ECC a partir da estrutura dos kirigami, atingindo um coeficiente de
determinação de 𝑅2 = 0,96. Finalmente, verificamos que estratégias de otimização aceleradas
por aprendizado de máquina auxiliam na identificação de designs eficientes: os 50 projetos
de melhor desempenho são encontrados em apenas cinco gerações, em contraste com as 54
gerações requeridas por uma estratégia aleatória de referência. Em conjunto, os resultados
indicam que materiais bidimensionais oferecem um amplo espaço de exploração para aplicações
elastocalóricas e que técnicas de machine learning constituem ferramentas eficazes para
a descoberta e otimização dessas estruturas.

 

MEMBROS DA BANCA:
Externo à Instituição - ALEXANDRE FONTES DA FONSECA
Externa à Instituição - LUANA SUCUPIRA PEDROZA
Externo à Instituição - DAVIDE DONADIO
Presidente - 2457464 - LUIZ FELIPE CAVALCANTI PEREIRA
Interno - 3346947 - RAI MACIEL DE MENEZES