Inteligência Artificial Aplicada ao Desenvolvimento de Tintas e Resinas

Responsável: Antonio Intini
Carga horária: 10 horas
Aulas ao vivo (19:00 às 21:00): 4/11, 9/11, 11/11, 16/11 e 18/11

Programa:

Este curso tem como objetivo apresentar a teoria e prática do uso de inteligência artificial na Pesquisa e Desenvolvimento. Faremos uma apresentação desde os conceitos mais básicos, demonstrando como os diferentes conceitos de P&D evoluíram até o estado atual, em que podemos utilizar a aprendizagem de máquina para acelerar o desenvolvimento de novos produtos.

Serão apresentados conceitos técnicos teóricos de algoritmos para aprendizagem de máquina, estudos de utilização de IA na P&D de produtos (por exemplo, artigos científicos), e os benefícios de sua utilização (por meio de predição, otimização e retenção do conhecimento).

Também serão demonstrados casos práticos com dados de literatura e / ou dados sintéticos, simulando situações reais de uso. O curso envolve tanto à P&D de Tintas quanto de Resinas (atualmente, com foco em resinas poliésteres) e outros materiais de misturas. Para demonstrações práticas, será utilizada a plataforma ReactorModel.

A forte bagagem teórica, com exemplos práticos, fornecida neste curso permitirá ao participante entender a fundo os desafios e oportunidades da inteligência artificial aplicada à P&D. Não se trata de um curso focado em execução experimental em softwares de IA, mas de um curso abrangente, que trará muitos conhecimentos práticos e teóricos para a implementação bem-sucedida de sistemas de IA em laboratórios de P&D.

Conteúdo Programático - Resumo

1. Evolução da P&D em formulação
• Empirismo (tentativa e erro)
• Modelos físico-químicos (Arrhenius, solubilidade, etc.)
• Estatística e análise de dados
• Planejamento de experimentos (DoE)
• Qualidade e melhoria contínua (Six Sigma, CEP)
• Química computacional (simulações, UNIFAC, COSMO-RS)
• Sustentabilidade (restrições regulatórias e ESG)
• Inteligência Artificial aplicada
2. Fundamentos de Inteligência Artificial e Machine Learning
• Definições de IA e ML
• Tipos de problemas (regressão, classificação, etc.)
• Principais algoritmos:
• Regressão, árvores, SVM, k-NN
• Processos Gaussianos
• Redes neurais e deep learning
• Ensembles (bagging, boosting, stacking)
• Diferença entre IA, ML e modelos físico-químicos
3. Construção de modelos preditivos
• Estrutura de datasets (features vs labels)
• Limpeza e tratamento de dados
• Split treino/validação/teste
• Seleção e hiperparametrização de modelos
• Validação cruzada
• Métricas (R², RMSE)
• Problemas comuns:
• Overfitting / underfitting
• Data leakage
• Multicolinearidade
• Dados insuficientes
4. IA aplicada à formulação química
• Representação de moléculas e formulações
• Predição de propriedades (viscosidade, Tg, etc.)
• Integração com modelos físico-químicos
• Uso de dados experimentais históricos
• Limitações e desafios práticos
5. Otimização e design de formulações
• Algoritmos genéticos (otimização multiobjetivo)
• Otimização com múltiplas restrições (custo, desempenho, sustentabilidade)
• Exploração de espaços de formulação complexos
6. IA generativa em formulação
• Design inverso de formulações
• Geração de novas composições
• Modelos: VAE, GAN, difusão
• Desafios:
• Viabilidade físico-química
• Viés de dados
• Necessidade de validação experimental
7. Digitalização da P&D
• Problemas do modelo tradicional (tentativa e erro, retrabalho)
• Captura e reutilização de dados experimentais
• Redução de tempo e custo de desenvolvimento
• Integração com softwares especializados (vs Excel)
• IA como vantagem competitiva
8. Desafios de implementação
• Cultura organizacional
• Qualidade e volume de dados
• Integração com sistemas existentes
• Capacitação da equipe
• Tempo de maturação dos resultados
9. Demonstração Plataforma ReactorModel
• Cadastro de substâncias e materiais
• Formulações teóricas
• Experimentos (lab trials)
• Combos e estudos (ex: HSP)
• Uso da plataforma para predição e otimização
10. Casos práticos e aplicações (exemplos de artigos e / ou com dados sintéticos para simulações):
• Otimização de adesivos epóxi
• Formulações automotivas (viscosidade, aplicação)
• Degradação de filmes (TiO₂)
• Tintas industriais e demarcação viária
• Otimização de resina poliéster