APLICAÇÃO DE APRENDIZADO DE MÁQUINA NA OTIMIZAÇÃO DO PROCESSO DE ROTOFIAÇÃO DE NANOFIBRAS DE PVA
Este trabalho tem como objetivo investigar a produção e predição morfológica de nanofibras de poli(álcool vinílico) (PVA) obtidas por rotofiação, com foco em aplicações na engenharia de tecidos. A metodologia adotada combina planejamento experimental do tipo Taguchi com análises físico-químicas e técnicas de aprendizado de máquina. Foram avaliados os efeitos das variáveis operacionais e composicionais, como concentração polimérica, parâmetros de processo, pH, viscosidade e grau de hidrólise do PVA, sobre o diâmetro médio e a uniformidade das nanofibras formadas. A caracterização morfológica foi realizada por microscopia eletrônica de varredura (MEV), enquanto os dados obtidos foram utilizados para treinar modelos de regressão multivariada com diferentes algoritmos de aprendizado de máquina. Entre eles, destacam-se os métodos ensemble, como Random Forest, XGBoost e LightGBM, que combinam o desempenho de múltiplos modelos individuais (geralmente árvores de decisão) para formar um modelo mais robusto, preciso e menos sujeito a overfitting. O modelo com melhor desempenho preditivo foi posteriormente empregado em testes de extrapolação, avaliando sua capacidade de generalização para condições não previstas experimentalmente. A integração entre planejamento estatístico, caracterização experimental e modelagem computacional oferece uma abordagem eficiente para o desenvolvimento de nanofibras com propriedades morfológicas controladas, potencializando sua aplicação em dispositivos biomédicos avançados, como scaffolds para regeneração tecidual e sistemas de liberação de fármacos.