Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

Otimização de Síntese Verde de Nanopartículas de Prata utilizando Redes Neurais Artificiais

No description
by

Anderson Aragão

on 22 January 2013

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of Otimização de Síntese Verde de Nanopartículas de Prata utilizando Redes Neurais Artificiais

Introdução Materiais e Métodos Conclusões Resultados e Discussões Síntese de AgNPs Extração do Polissacarídeo da alga Aluno: Anderson Passos de Aragão
Orientadora: Durcilene Alves da Silva
Co-Orientador: Ricardo de Andrade Lira Rabêlo Otimização de Síntese Verde de Nanopartículas de Prata utilizando Redes Neurais Artificiais Agenda Introdução Extração do Polissacarídeo
Síntese de AgNPs
Tamanho e Potencial Zeta das partículas
Redes Neurais Artificiais Resultados e Discussões Síntese de AgNPs
RNAs Conclusões Referências Nanopartículas Nanopartículas Redes Neurais Artificiais (RNAs) Nanopartículas Partículas com dimensões da ordem de 100 nm ou menos

Nanopartículas Metálicas

Características físicas, químicas e biológicas

Aplicações: entregas de drogas, biosensores e fabricação de nanodisposítivos Nanopartículas de Prata (AgNPs) Propriedades antibacterianas

Potencial anti-inflamatório, cicatrizante

Biocompatibilidade AgNPs Apresentam alta reatividade

Formam precitados após armazenagem

Agentes Estabilizantes AgNPs Rotas de Síntese: Redução Química em Via Úmida

Síntese Verde: extratos de plantas e seus derivados, algas, fungos e leveduras

Polímeros Naturais: Amido e Quitosana

Polissacarídeo extraído da Problemática Preparação de AgNPs Variáveis envolvidas no processo influenciam fortemente no valor do tamanho da partícula

Inexiste um modelo matemático para tamanho de AgNPs em função das variáveis envolvidas

Redes Neurais Artificiais (RNAs) RNAs Modelos computacionais inspirados na estrutura e no funcionamento do cérebro humano capazes de processar dados, aprender e generalizar. representam os valores de entrada (dados da aplicação) representam os pesos sinápticos soma ponderada de cada uma das entradas por seu respectivo peso função de ativação sigmóide (retorna valores entre 0 e 1) RNAs Tipos de RNAs Treinamento: supervisionado e não supervisionado
Topologia: e Perceptron Multi Camadas (MLPs - ) Possuí três tipos de camadas: uma camada de entrada, uma ou mais camadas escondidas e uma camada de saída.

Os neurônios se comunicam por meio de um grande conjunto de interligações com valores ajustáveis (pesos sinápticos), nos quais a informação aprendida é armazenada. Neurônios artificais: extraem relacionamentos não lineares relativos ao comportamento de determinado processo e, por meio do conhecimento adquirido, elas são capazes de interpolar resultados de condições desejadas. Esquema de uma MLP Possuí duas fases: propagação adiante ( ) e retropropagação ( )

Primeira fase: as entradas são inseridas na rede neural e são propagados pelas camadas até a camada de saída, produzindo valores de saída para cada uma das entradas.

Essa fase tem por objetivo obter as respostas da rede.

Os pesos sinápticos dos neurônios permanecem inalterados.

Segunda fase: as respostas produzidas na saída são comparadas com os resultados desejados gerando um erro.
O erro é então retropropagado da camada de saída até a camada de entrada.

É nesta fase que ocorre a atualização dos pesos sinápticos dos neurônios.

Assim a aplicação sucessiva das fases forward e backward faz com que os pesos sinápticos sejam atualizados a cada iteração implicando numa redução do erro e aproximação da resposta da rede frente ao resultado desejado. Materiais e Métodos Nanopatículas
Problemática
Redes Neurais Artificiais (RNAs) Para a extração do polissacarídeo uma quantidade predeterminada de alga seca (5 g/200ml de água) foi levada a fervura com água destilada por um período de 2 horas. A solução foi filtrada e o pH ajustado para 7,0.

O polissacarídeo foi recuperado por meio da precipitação do filtrado em etanol na proporção de 1:3 v\v. O precipitado foi lavado com etanol e posteriormente com acetona para remoção de impurezas e a seguir, seco sob fluxo de ar. Síntese de AgNPs utilizando o polissacarídeo extraído da Parâmetros Variáveis:
Concentração do Polissacarídeo: de 0.005 a 0.03% m/v
pH: de 8 a 11
temperatura: 70 ºC e 90 ºC
tempo de reação: 10, 20 e 30 minutos Síntese de AgNPs Tamanho da Partícula e Potencial Zeta Tamanho de partícula e potencial zeta das nanopartículas sintetizadas foram determinados por DLS (Dynamic Light Scattering) utilizando laser com comprimento de onda de 633 nm e ângulo de espalhamento de 173° em um equipamento da Malvern Zetasizer Nano, Modelo ZS 3600. Todas as medidas realizadas em triplicata. Redes Neurais Artificiais O tipo RNA utilizada no trabalho foi uma rede neural do tipo MLP cujo algoritmo de treinamento aplicado foi o backpropagation.

As RNAs foram desenvolvidas computacionalmente por meio do software Matlab versão 7.12.0 da MathWorks. Amostras e seus respectivos tamanhos em nanometros Síntese de AgNPs Concentração do ágar: 0.01% (m/v)
pH: 8
Tempreratura: 90 ºC
Tempo: 10, 20 e 30 minutos Concentações ágar: 0.03, 0.02, 0.01, 0.005 % (m/v)
pH: 8
Temperatura: 90 ºC
Tempo: 30 minutos Tamanho das AgNPs DLS (Dynamic Light Scattering)
Todas as amostras foram realizdas em triplicata
Diâmetros obtidos ficarm na faixa de 109.7 a 0.9 nm Amostra 02 O valor negativo da carga pode indicar que as AgNPs obtidas foram revestidas com o polímero, sendo este o responsável pela estabilidade eletrostática Redes Neurais Artificiais Primeiramente os dados da aplicação passaram por um pré-tratamento no intuito de melhorar o desempenho da RNA.

Os dados da aplicação, ficaram na faixa entre os valores máximo e mínimo da função de ativação dos neurônios utilizando a seguinte equação. exemplo:
x = 0.03
max = 0.03
min = 0.005
x' = 0.9 RNA Depois de normalizados os dados, os mesmos foram dispostos de forma aleatória RNA Os dados da aplicação foram separados em conjunto de treino e conjunto de teste
Treino: 90%
Teste: 10% Treinamento da RNA
Propagação adiante
Propagação reversa Propagação adiante Propagação adiante Validação cruzada Na busca de uma RNA com a melhor resposta frente aos dados de treinamento variou-se o número de camadas escondidas, bem como, a quantidade de neurônios em cada uma das referidas camadas.

Validação cruzada.

Todas as RNAs foram apresentadas por três vezes ao treinamento para evitar inconsistências devido à aleatoriedade do processo de geração de pesos, o algoritmo backpropagation é executado 3 vezes para cada topologia. RNAs com uma camada escondida RNAs com duas camadas escondidas Primeira Camada Escondida: quantidade de neurônios de 4 a 12

Segunda Camada Escondida: quantidade de neurônios de 2 a 8 RNAs com duas camadas escondidas RNA Todas as RNAs usaram o mesmo conjunto de treinamento e teste.

A mesma taxa de aprendizagem n = 0.5

O mesmo valor da constante momentum = 0.5

Visando aperfeiçoar o desempenho da melhor rede, variou-se a taxa de aprendizagem do algoritmo de 0.1 a 0.9 RNA Etapa de Teste - Resultados Após a etapa de treinamento da RNA, o conjunto de testes foi submetido a mesma com o melhor desempenho durante o treinamento de modo a verificar a resposta calculada pela rede frente às novas amostras O que estamos fazendo ... Síntetizando novas AgNPs;

Implementação de uma Rede Neural de Base Radial (RBF - _ );

Implementação de um sistema híbrido utilizando PSO ( . ) para treinamento da MLP. Conclusões Neste trabalho foi mostrado a utilização de uma RNA de arquitetura MLP e treinamento backpropagation para melhorar os processos de obteção de nanopartículas de prata.

Várias topologias foram testadas e a RNA de configuração [7, 5, 1] apresentou um melhor desempenho.

Os resultados obtidos mostraram que podemos utilizar as RNAs como aproximador funcional para a síntese verde de AgNPs, porém a MLP testada pode ser aperfeiçoada por meio da utilização de um maior número de dados de sínteses. Referências Referências UNIVERSIDADE FEDERAL DO PIAUÍ
CAMPUS MINISTRO REIS VELOSO
PROGARMA DE MESTRADO EM BIOTECNOLOGIA [1]N. Vigneshwaran, R. Nachane, R. H. Balasubramanya, P. V. Varadarajan, Carbohydrate Research. 341 (2006) 2012.
[2]J. Petrovic, S. Ibric, G. Betz, Z. Duric. International Journal of Pharmaceutics. 428 (2012) 57.
[3]J. S. Torrecilla, M. L. Mena, e P. Yáñez-Sedeño, Journal of Chemometrics. 22 (2008) 46.
[4]L. S. Nair, C. T. Laurencin, Journal of Biomedical Nanotechnology. 3 (2007) 301.
[5]K. N. Thakkar, S. S. Mhatre, R. Y. Parikh, Nanomedicine: Nanotechnology, Biology, and Medicine. 62010 (2010) 257.
[6]T. C. Leung, C. K. Wong,Y. Xie, Materials Chemistry and Physics. 121 (2010) 402.
[7]A. G. Mai, D. Loebmann, Biodiversidade do Litoral do Piauí- Guia Ilustrado. Rio Grande-RS, 2010, 272p. Disponível em: http://issuu.com/danielloebmann.com/docs/livro_pi, acesso em 06/09/12, às 06:31h.
[8]SILVA, P.M., Atividades biológicas de extratos de algas marinhas brasileiras, São Paulo, USP, 2009.
[9]J. S. Maciel, L. S. Chaves, B. W. S. Souza, D. I. A. Teixeira, A. L. P. Freitas, J. P. A. Feitosa, R. C. M. de Paula, Carbohydrate Polymers. 71 (2008) 559.
[10]A. M. M. Sousa, V. D. Alves, S. Morais, M. P. Delerue-matos, M. P. Gonçalves, Bioresource Technology. 101 (2010) 3258.
[11]V. Kumar, R. Fotedar, Carbohydrate Polymers. 78 (2009) 813.
[12]K. Chansanroj, J. Petrović, S. Ibrić, e G. Betz, European Journal of Pharmaceutical Sciences. 44 (2011) 321.
[13]W. S. McCulloch e W. Pitts, Bulletin of Mathematical Biophysics. 5 115.
[14]S. J. Russel, e P. Norving, Inteligência Artificial: Uma abordagem moderna, Rio de Janeiro, 2004.
[15]A. P. Braga, A. P. L. F. Carvalho, e T. B. Ludermir, Redes Neurais Artificiais: Teoria e Aplicações, Rio de Janeiro, 2011.
[16]P. D. Wasserman, Neural Computing: Theory and Pratice, Van Nostrand Reinhold, Nova Iorque, 1989.
[17]K. Mehrotra, C. K. Mohan, e S. Ranka, Elements of Artificial Neural Networks, Massachusetts, 1996.
[18]Y. Sun, Y. Peng, Y. Chen, e A.. J. Shukla, Advanced Drug Delivery. 55 (2003) 1201. [19]J. E. Dayhoff, e J. M. DeLeo, Cancer. 15 (1991) 1615.
[20]Yongin Wu, Yiming Wu, J. Wang, Z. Yan, L. Qu, B. Xiang, e Y. Zhang, Expert Systems with Applications. 28 (2011) 11329.
[21]I. N. Silva, D. H. Spatti, e R. A. Flauzino, Redes Neurais Artificiais para engenharia e ciências aplicadas: curso prático, ArtLiber, São Paulo, 2010.
[22]J. Arrigada, P. Olausson, e A. Selimovic, Journal of Power Sources. 112 (2002) 54.
[23]P. F. Newbury, P. F. Culverhouse, D. A. Pilgrim, Aquaculture. 133 (1995) 45.
[24]G. Rüştü, PubMed. 34 (2010) 941.C. R. Raymond, e R. J. Roberts, PSTT. 1 (1998) 1.
[25]P. J. Lisboa, e A. F. G. Taktak, Neural Networks. 19 (2006) 408.
[26]A. Amani, P. York, H. Chrystyn, B. J. Clark, e D. Q.Do, Pharmaceutical Sciences. 35 (2008) 42.
[27]A. Mendyk, e R Jachowicz, Expert Systems with Applications. 28 (2005) 285.
[28]S. S. Behzadi, C. Prakasvudhisan, J. Klocker, Peter Wolschann, Helmut Viernstein, Power Technology. 195 (2009) 150.
[29]K. Takayama, M. Fujikawa, Y. Obata, e M. Morishita, Advanced Drug Delivery Reviews. 55 (2003) 1217.
[30]P. Nemati, M. Imani, e M. H. Khalifeh, 17th Conference of Biomedical Engineering, 2010.
[31]M. Dorn, A. L. S. Braga, C. H. Llanos, e L. S. Coelho, Expert Systems with Applications. 39 (2012) 12268.
[32]S. Knott, S. Mostafavi, P. Mousavi, Neurocomputing. 73 (2010) 2419.
[33]T. T. Vu, e J. Vohradsky, Genomics. 93 (2009) 426.
[34]M. Tahmoorepur, e H. Ahmadi, Livestock Science. 148 (2012) 221.
[35]F. Coppede, E. Grossi, F.Magheli, e L. Migiore, BMC Medical Genomics. 42 (2011) 1.
[36]J. Zhao, A. O. Pinchuk , J. M. McMahon, S. Li, L. K. Ausman, A. L. Atkinsonand, G C. Schatz, Accounts of Chemical Research. 41 (2008) 1710. Escolha da melhor RNA: eqm no final de 1500 épocas Agradecimentos
Full transcript