Informática de materiales en el estudio de propiedades físicas de nanotubos de carbono

Luis Enrique Vivanco Benavides; Cecilia Mercado Zúñiga; María Teresa Torres-Mancera; María Yesenia Díaz-Cardenas

doi:10.5281/zenodo.14193613

Autores/as

Mtro. Luis Enrique Vivanco Benavides Tecnológico de Estudios Superiores de Coacalco-TESCo https://orcid.org/0009-0005-3945-3263
Dra. Cecilia Mercado Zúñiga Tecnológico de Estudios Superiores de Coacalco-TESCo https://orcid.org/0000-0003-0952-9296
Dra. María Teresa Torres Mancera Tecnológico de Estudios Superiores de Coacalco-TESCo https://orcid.org/0000-0002-4517-4456
Dra. María Yesenia Díaz Cárdenas Tecnológico de Estudios Superiores de Coacalco-TESCo https://orcid.org/0000-0002-0766-1608

DOI:

https://doi.org/10.5281/zenodo.14193613

Palabras clave:

Aprendizaje automático, inteligencia artificial, nanotecnología, nanoestructuras base carbono

Resumen

La informática de materiales (IM) constituye un nuevo paradigma en el estudio de nanomateriales, donde enfoques de aprendizaje automático (AA) se implementan en la nanotecnología. La IM es una poderosa herramienta en el estudio de nanotubos de carbono (NTC), los cuales poseen propiedades físicas excepcionales, llevándolos a ser utilizados en óptica, química, informática y medicina, entre otras áreas. Este trabajo describe las investigaciones más recientes en IM aplicado a los NTC. Se explican detalladamente los algoritmos de AA utilizados en el estudio de NTC, tales como redes neuronales artificiales, árboles de decisión y máquinas de vectores de soporte. Asimismo, se exponen los estudios donde enfoques de simulación computacional han sido útiles para desarrollar modelos predictivos de propiedades y comportamientos de NTC. Se identifican preguntas de investigación abiertas en el análisis de propiedades físicas como la conductividad térmica y los modos vibratorios de NTC, donde la IM podría apoyar para su mayor comprensión, ayudando en el desarrollo de nanosensores. Finalmente, la IM puede ayudar en reducir costos de tiempo y recursos en la caracterización de propiedades físicas de nanomateriales.

Biografía del autor/a

Mtro. Luis Enrique Vivanco Benavides, Tecnológico de Estudios Superiores de Coacalco-TESCo

Luis Enrique Vivanco Benavides es profesor en el Tecnológico de Estudios Superiores de Coacalco, impartiendo cátedra de asignaturas del ramo de la inteligencia artificial, programación, bases de datos, ingeniería de software y auditoria informática a estudiantes de Ingeniería en Sistemas Computacionales. Graduado como Licenciado en Informática Administrativa y como Maestro en Ingeniería en Sistemas Computacionales, actualmente estudia el Doctorado en Ingeniería de Sistemas en ESIME Zacatenco, donde desarrolla proyectos de investigación científica que abordan problemáticas de la nanotecnología mediante enfoques de aprendizaje automático. Es autor de un artículo publicado en revista internacional JCR, y de tres más que se encuentran en proceso de publicación en revistas internacionales de alto impacto. También, es autor de diversos artículos en revistas nacionales. Asimismo, ha participado en diversos congresos nacionales como ponente, organizador y jurado, y en dos congresos internacionales celebrados en Chetumal, México y en Londres, Reino Unido respectivamente. Actualmente es líder y colaborador de proyectos interdisciplinarios de investigación aplicada.

Dra. Cecilia Mercado Zúñiga, Tecnológico de Estudios Superiores de Coacalco-TESCo

Cecilia Mercado Zúñiga concluyó sus estudios de Ingeniería en Metalurgia y Materiales, Maestría en Ciencias en Metalurgia y Materiales, y Doctorado en Ciencias en Metalurgia y Materiales en la Escuela Superior de Ingeniería Química e Industrias Extractivas del Instituto Politécnico Nacional. Su línea de investigación y expertiz está enfocado en la nanotecnología y estudio de nanomateriales. Es autora de 31 artículos de investigación internacionales JCR. Ha participado como líder de proyectos CONACyT, así como proyectos del TecNM, en ambos casos con financiamiento. Ha dirigido múltiples tesis de licenciatura, maestría y doctorado, y forma parte del Sistema Nacional de Investigadores. Cuenta con más de 10 años de experiencia en la docencia y participa en el desarrollo de proyectos de investigación científica multidisciplinarios.

Dra. María Teresa Torres Mancera, Tecnológico de Estudios Superiores de Coacalco-TESCo

Concluyó Ingeniería Bioquímica (2004), maestría en Biotecnología (2008) y doctorado en Biotecnología (2013) en la UAM-I. Ha trabajado 13 años en el aprovechamiento de residuos sólidos agroindustriales y municipales y 6 años impartiendo clases a nivel licenciatura y posgrado en las carreras de Ingeniería Ambiental, Ingeniería Química, Ingeniería Bioquímica, Biología Experimental y en la Maestría en Sistemas Ambientales. Ha tomado varios cursos teórico-prácticos sobre HPLC y manejo de cromatografía de líquidos serie Prominence con software LC Solution y Cromatografía de gases: principios básicos y manejo de equipo, “Fundamentos y Aplicaciones de la Biotecnología”, “Ingeniería de Bio-reactores”, “Curso internacional de Escalado de Bioprocesos y Entrenamiento en Operación de Biorreactores. Además de cursos de actualización docente. Tiene 6 publicaciones internacionales en revistas indexadas, dos patentes referentes a un Sistema de Respirometría y un Reactor para Fermentación en Medio Sólido tipo Flujo Cruzado, dos capítulos de libro “Standard Instruments for Bioprocess Analysis and Control” y “Online Monitoring of Solid-State Fermentation Using Respirometry” y un libro “La pulpa de café. Un residuo potencialmente viable para la extracción de ácidos hidroxicinámicos”. Realizó una estancia de investigación en la Universidad de Paul Cezanne, Marsella, Francia. En colaboración con la empresa RECSA SA de CV desarrolló el paquete tecnológico intitulado “Transformación de residuos peligrosos mediante la pirólisis para la producción de combustibles”. Ha participado como asesora técnica para el aprovechamiento de residuos agroindustriales para la Confederación Nacional de Productores Agrícolas de Maíz de México, Asociación Agrícola de Ixtlahuaca y Agroalimentos de Coacalco SA de CV Ha participado en 20 congresos nacionales e internacionales, como ponente y asesor de proyectos. Ha dirigido 20 tesis de Licenciatura concluidas y 7 tesis de Maestría. Actualmente, tiene la plaza de Profesor de Tiempo Completo Titular A en el Tecnológico de Estudios Superiores de Coacalco. Reconocimiento al Perfil Deseable del PRODEP. Líder del Cuerpo Académico en Formación, Innovación de Procesos Ambientales del TESCo.

Dra. María Yesenia Díaz Cárdenas, Tecnológico de Estudios Superiores de Coacalco-TESCo

Maria Yesenia Díaz Cárdenas es Ingeniero Químico con Maestría y Doctorado en Ingeniería y Ciencias Aplicadas. Sus áreas de interés en la investigación están relacionados con el estudio de propiedades físicas de materiales, así como su síntesis y caracterización. Asimismo, tiene amplia experiencia en estudios de corrosión y síntesis orgánica. Es investigadora activa participando en proyectos de investigación como líder y colaboradora. Además, es autora de 7 artículos internacionales JCR.

Citas

Abad, S. N. K., Ganjeh, E., Zolriasatein, A., Shabani-Nia, F., & Siadati, M. H. (2017). Predicting carbon nanotube diameter using artificial neural network along with characterization and field emission measurement. Iranian Journal of Science and Technology, Transaction A: Science, 41(1), 151–163. https://doi.org/10.1007/s40995-017-0198-9

Acı, M., & Avcı, M. (2016). Artificial neural network approach for atomic coordinate prediction of carbon nanotubes. Applied Physics A: Materials Science and Processing, 122(7). https://doi.org/10.1007/s00339-016-0153-1

Afrand, M., Ahmadi Nadooshan, A., Hassani, M., Yarmand, H., & Dahari, M. (2016). Predicting the viscosity of multi-walled carbon nanotubes/water nanofluid by developing an optimal artificial neural network based on experimental data. International Communications in Heat and Mass Transfer, 77, 49–53. https://doi.org/10.1016/j.icheatmasstransfer.2016.07.008

Aggarwal, C. C. (2015). Data mining: The textbook. In Springer (Vol. 1, Issue 3). Springer US. https://doi.org/10.1007/978-3-319-14142-8

Aggarwal, C. C. (2018). Neural Networks and Deep Learning. In Neural Networks and Deep Learning. https://doi.org/10.1007/978-3-319-94463-0

Agrawal, A., & Choudhary, A. (2016). Perspective: Materials informatics and big data: Realization of the “fourth paradigm” of science in materials science. APL Materials, 4(5), 1–10. https://doi.org/10.1063/1.4946894

Ahmadi Azqhandi, M. H., Ghaedi, M., Yousefi, F., & Jamshidi, M. (2017). Application of random forest, radial basis function neural networks and central composite design for modeling and/or optimization of the ultrasonic assisted adsorption of brilliant green on ZnS-NP-AC. Journal of Colloid and Interface Science, 505, 278–292. https://doi.org/10.1016/j.jcis.2017.05.098

Ajori, S., Parsapour, H., & Ansari, R. (2018). Vibrational analysis of single-walled carbon nanotubes filled with gold nanowires using MD simulations. Physica E: Low-Dimensional Systems and Nanostructures, 104(April), 327–332. https://doi.org/10.1016/j.physe.2018.08.005

Baghban, A., Kahani, M., Nazari, M. A., Ahmadi, M. H., & Yan, W. M. (2019). Sensitivity analysis and application of machine learning methods to predict the heat transfer performance of CNT/water nanofluid flows through coils. International Journal of Heat and Mass Transfer, 128, 825–835. https://doi.org/10.1016/j.ijheatmasstransfer.2018.09.041

Bian, L., Wang, Z., White, D. L., & Star, A. (2021). Machine learning-assisted calibration of Hg2+ sensors based on carbon nanotube field-effect transistors. Biosensors and Bioelectronics, 180(February), 113085. https://doi.org/10.1016/j.bios.2021.113085

Cheng, Y., Wang, T., & Gang, Z. (2021). Artificial intelligence for materials science. In Springer (1st ed., Vol. 1, Issue 1). https://doi.org/https://doi.org/10.1007/978-3-030-68310-8

Cleophas, T. J., & Zwinderman, A. H. (2020). Machine learning in medicine - a complete overview. In Machine Learning in Medicine - A Complete Overview. https://doi.org/10.1007/978-3-030-33970-8

Farahbakhsh, J., Delnavaz, M., & Vatanpour, V. (2019). Simulation and characterization of novel reverse osmosis membrane prepared by blending polypyrrole coated multiwalled carbon nanotubes for brackish water desalination and antifouling properties using artificial neural networks. Journal of Membrane Science, 123–138. https://doi.org/10.1016/j.memsci.2019.03.050

Förster, G. D., Castan, A., Loiseau, A., Nelayah, J., Alloyeau, D., Fossard, F., Bichara, C., & Amara, H. (2020). A deep learning approach for determining the chiral indices of carbon nanotubes from high-resolution transmission electron microscopy images. Carbon, 169, 465–474. https://doi.org/10.1016/j.carbon.2020.06.086

Hart, G. L. W., Mueller, T., Toher, C., & Curtarolo, S. (2021). Machine learning for alloys. Nature Reviews Materials, 6(8), 730–755. https://doi.org/10.1038/s41578-021-00340-w

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning Data mining, Inference and Prediction. In Springer (2nd ed.). Springer-Verlag New York. https://doi.org/10.1007/978-0-387-84858-7

Husch, T., Sun, J., Cheng, L., Lee, S. J. R., & Miller, T. F. (2021). Improved accuracy and transferability of molecular-orbital-based machine learning: Organics, transition-metal complexes, non-covalent interactions, and transition states. Journal of Chemical Physics, 154(6). https://doi.org/10.1063/5.0032362

Isayev, O., Tropsha, A., & Curtarolo, S. (2019). Materials informatics: Methods, tools and applications. In O. Isayev, A. Tropsha, & S. Curtarolo (Eds.), Wiley-VCH (Vol. 1). Wiley-VCH. https://doi.org/10.1002/9783527802265

Jiang, J., & Wang, L. (2017). Timoshenko beam model for vibrational analysis of double-walled carbon nanotubes bridged on substrate. Current Applied Physics, 17(12), 1670–1690. https://doi.org/10.1016/j.cap.2017.09.007

Kajendirarajah, U., Olivia Avilés, M., & Lagugné-Labarthet, F. (2020). Deciphering tip-enhanced Raman imaging of carbon nanotubes with deep learning neural networks. Physical Chemistry Chemical Physics, 22(32), 17857–17866. https://doi.org/10.1039/D0CP02950E

Karimipour, A., Bagherzadeh, S. A., Taghipour, A., Abdollahi, A., & Safaei, M. R. (2019). A novel nonlinear regression model of SVR as a substitute for ANN to predict conductivity of MWCNT-CuO/water hybrid nanofluid based on empirical data. Physica A: Statistical Mechanics and Its Applications, 521, 89–97. https://doi.org/10.1016/j.physa.2019.01.055

Lin, C. L., & Fan, C. L. (2019). Evaluation of CART, CHAID, and QUEST algorithms: a case study of construction defects in Taiwan. Journal of Asian Architecture and Building Engineering, 18(6), 539–553. https://doi.org/10.1080/13467581.2019.1696203

Matos, M. A. S., Pinho, S. T., & Tagarielli, V. L. (2019). Predictions of the electrical conductivity of composites of polymers and carbon nanotubes by an artificial neural network. Scripta Materialia, 166, 117–121. https://doi.org/10.1016/j.scriptamat.2019.03.003

Mendoza-Cachú, D., López-Miranda, J. L., Mercado-Zúñiga, C., & Rosas, G. (2018). Functionalization of MWCNTs with Ag-AuNPs by a green method and their catalytic properties. Diamond and Related Materials, 84, 26–31. https://doi.org/10.1016/j.diamond.2018.03.004

Nasruddin, Lestari, M., Supriyadi, & Sholahudin. (2018). Optimization Study of Hydrogen Gas Adsorption on Zig-zag Single-walled Carbon Nanotubes: The Artificial Neural Network Analysis. IOP Conference Series: Materials Science and Engineering, 333(1). https://doi.org/10.1088/1757-899X/333/1/012031

Ni, D., Wu, W., Guo, Y., Gong, S., & Wang, Q. (2021). Identifying key parameters for predicting materials with low defect generation efficiency by machine learning. Computational Materials Science, 191(February), 110306. https://doi.org/10.1016/j.commatsci.2021.110306

Pedro, D. (2012). A Few Useful Things to Know About Machine Learning. Communications of the ACM, 55(10), 9–48. https://doi.org/10.1145/2347736.2347755

Poltavsky, I., & Tkatchenko, A. (2021). Machine Learning Force Fields: Recent Advances and Remaining Challenges. Journal of Physical Chemistry Letters, 12(28), 6551–6564. https://doi.org/10.1021/acs.jpclett.1c01204

Rajan, K. (2013). Materials Informatics: An Introduction. In Informatics for Materials Science and Engineering: Data-Driven Discovery for Accelerated Experimentation and Application (pp. 1–16). Elsevier Inc. https://doi.org/10.1016/B978-0-12-394399-6.00001-1

Scarisoreanu, M., Ilie, A., Dutu, E., Badoi, A., Dumitrache, F., Tanasa, E., Mihailescu, C. N., & Mihailescu, I. (2019). Direct nanocrystallite size investigation in microstrained mixed phase TiO 2 nanoparticles by PCA of Raman spectra. Applied Surface Science, 470(June 2018), 507–519. https://doi.org/10.1016/j.apsusc.2018.11.122

Sharma, S., Tiwari, S. K., & Shakya, S. (2020). Mechanical properties and thermal conductivity of pristine and functionalized carbon nanotube reinforced metallic glass composites: A molecular dynamics approach. Defence Technology, xxxx. https://doi.org/10.1016/j.dt.2020.04.004

Takdastan, A., Samarbaf, S., Tahmasebi, Y., Alavi, N., & Babaei, A. A. (2019). Alkali modified oak waste residues as a cost-effective adsorbent for enhanced removal of cadmium from water: Isotherm, kinetic, thermodynamic and artificial neural network modeling. Journal of Industrial and Engineering Chemistry, 78, 352–363. https://doi.org/10.1016/j.jiec.2019.05.034

Unke, O. T., Chmiela, S., Sauceda, H. E., Gastegger, M., Poltavsky, I., Schütt, K. T., Tkatchenko, A., & Müller, K. R. (2021). Machine Learning Force Fields. Chemical Reviews. https://doi.org/10.1021/acs.chemrev.0c01111

Volder, M. F. L., Tawfick, H. S., Baughman, R. H., & Hart, A. J. (2013). Carbon Nanotubes: Present and Future duction, CNT powders have already been incorpo- rated inmany commercial applications and are now Commercial Applications. Science, 339(6119), 535–539. https://doi.org/10.1126/science.1222453

Wu, B., Han, S., Shin, K. G., & Lu, W. (2018). Application of artificial neural networks in design of lithium-ion batteries. Journal of Power Sources, 395(April), 128–136. https://doi.org/10.1016/j.jpowsour.2018.05.040

Xia, W., Hou, Z., Tang, J., Li, J., Chaikittisilp, W., Kim, Y., Muraoka, K., Zhang, H., He, J., Han, B., & Yamauchi, Y. (2022). Materials informatics-guided superior electrocatalyst: A case of pyrolysis-free single-atom coordinated with N-graphene nanomesh. Nano Energy, 94(December 2021), 106868. https://doi.org/10.1016/j.nanoen.2021.106868

Yan, X., Sedykh, A., Wang, W., Zhao, X., Yan, B., & Zhu, H. (2019). In silico profiling nanoparticles: Predictive nanomodeling using universal nanodescriptors and various machine learning approaches. Nanoscale, 11(17), 8352–8362. https://doi.org/10.1039/c9nr00844f

Yousefi, M., Gholami, M., Oskoei, V., & Akbar, A. (2021). Comparison of LSSVM and RSM in simulating the removal of ciprofloxacin from aqueous solutions using magnetization of functionalized multi-walled carbon nanotubes : Process optimization using GA and RSM techniques. Journal of Environmental Chemical Engineering, 9(4), 105677. https://doi.org/10.1016/j.jece.2021.105677

Zawadzka, A., Płóciennik, P., Korcala, A., & Szroeder, P. (2019). Optical properties of chiral single-walled carbon nanotubes thin films. Optical Materials, 96(August). https://doi.org/10.1016/j.optmat.2019.109295

Zhu, X., Wang, X., & Ok, Y. S. (2019). The application of machine learning methods for prediction of metal sorption onto biochars. Journal of Hazardous Materials, 378(May), 120727. https://doi.org/10.1016/j.jhazmat.2019.06.004

Ziari, H., Amini, A., Goli, A., & Mirzaeiyan, D. (2018). Predicting rutting performance of carbon nano tube (CNT) asphalt binders using regression models and neural networks. Construction and Building Materials, 160, 415–426. https://doi.org/10.1016/j.conbuildmat.2017.11.071