Maestría en Química
Permanent URI for this collection
Browse
Browsing Maestría en Química by browse.metadata.evaluator "Doerr, Markus Hans Oliver"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
Item Diseño de matrices MALDI TE asistido por Inteligencia Artificial (IA) a partir de información teórico/experimental(Universidad Industrial de Santander, 2024-11-01) Padilla Jaramillo, Carlos Andrés; Blanco Tirado, Cristian; Combariza Montañez, Marianny Yajaira; Combariza Montañez, Aldo Fabrizzio; Díaz Sánchez, Luis Miguel; Mejía Ospino, Enrique; Doerr, Markus Hans OliverEl desarrollo de matrices para la espectrometría de masas por desorción/ionización láser asistida por matriz (MALDI MS) ha dependido tradicionalmente de esfuerzos experimentales. Aquí, proponemos un modelo generativo de inteligencia artificial orientado a objetivos, impulsado por datos calculados de química computacional, para construir un espacio químico optimizado para procesos de Transferencia Electrónica (ET) en el análisis MALDI. Utilizamos un grupo de 30 matrices de ET reportadas, sometidas a enumeración estructural y predicción de propiedades moleculares mediante cálculos semiempíricos y ab initio, para establecer una base de datos integral que comprende diversos datos estructurales y de propiedades. Posteriormente, empleando un protocolo de enumeración estructural con 68 SMILES canónicos de fragmentos de Bemis-Murcko (BM), expandimos la complejidad estructural de la biblioteca inicial. Este proceso generó 82,753 compuestos organizados en 10 niveles de andamios, con un índice p50 de la curva de Recuperación de Sistemas Cíclicos (CSR) de andamios del 50%. De la biblioteca enumerada resultante, se seleccionó un subconjunto diverso de estructuras utilizando el método de agrupamiento de Jarvis-Patrick. Estas estructuras, junto con sus propiedades asociadas medidas a partir de datos de mecánica cuántica y experimentales, se utilizaron para entrenar un modelo de Aprendizaje Automático (ML) para predecir los valores de energía de ionización (Ei). Posteriormente, se entrenó una Red Neuronal de Puntuación (SNN), acoplada a nuestro modelo generativo orientado a objetivos utilizando Redes Neuronales Recurrentes (RNN) con arquitecturas de Aprendizaje Profundo (DL). El modelo generativo fue guiado utilizando una red previa dentro de un entorno de Aprendizaje por Refuerzo/Transferencia. El modelo generativo final de IA aprendió que las estructuras con alta insaturación, relaciones H/C inferiores a 1 y pesos moleculares entre 100 u y 300 u son favorables para las matrices ET MALDI, así como aquellas con pocos anillos aromáticos y cero anillos alifáticos. También se favorecieron otras características moleculares. La biblioteca generada por IA resultante exhibe valores de Ei superiores a 8.0 eV, similares a los de las matrices ET MALDI “buenas” reportadas, lo que indica un diseño exitoso con altos puntajes de accesibilidad de síntesis. En conclusión, nuestro modelo generativo proporcionó valiosas ideas sobre las características moleculares ideales para los compuestos ET MALDI, al tiempo que generó una amplia gama de moléculas estructuralmente diversas dentro de un espacio de propiedades moleculares similar. El siguiente paso crítico en este proceso es sintetizar una selección de estos compuestos generados para validación experimental y caracterización adicional.Item Síntesis y caracterización de derivados aminados de óxido de grafeno y su evaluación sobre las propiedades interfaciales en sistemas aceite-agua(Universidad Industrial de Santander, 2021) Romero Jaimes, Cindy Julieth; Cabanzo Hernández, Rafael; Mejía Ospino, Enrique; Martínez Ortega, Fernando; Doerr, Markus Hans OliverLa inundación química es una alternativa empleada en los últimos años para mejorar la producción de petróleo en yacimientos maduros, consiste en la adicción de sustancias químicas al fluido de inyección con el fin desplazar mayores cantidades de petróleo dentro de los yacimientos. En la presente investigación se sintetizó materiales de óxido de grafeno funcionalizados con moléculas como: di-aminas y aminoácidos, con el objetivo de evaluar su comportamiento en interfaces agua/aceite y agua/aceite/superficie. La síntesis del Óxido de Grafeno (GO) se realizó mediante el método de Hummer’s modificado, la funcionalización de las aminas al GO se realizó empleando las metodologías reportadas por Bourlinos et al, Tuan Nguyen et al y Shadpour Mallakpour et al. Los materiales obtenidos se analizaron por las técnicas FTIR, Raman, DRX, XPS y TGA, posteriormente, se evaluó el efecto de la concentración de los nanofluidos sobre la tensión interfacial, se determinó el ángulo de contacto de superficie Berea que estuvieron en contacto con los nanofluidos y se estudió la formación de emulsiones crudo/nanofluidos con y sin presencia de salmuera. Mediante las técnicas de caracterización se identificó los grupos funcionales característicos del GO y la funcionalización de los compuestos aminados al GO, en donde se encontró que presentaron interacciones covalentes e iónicas. Los resultados más prometedores de la investigación se encontraron con los nanomateriales de GO-aminoácidos, los cuales redujeron la IFT entre un 58,8-62,5 % en referencia al agua, y entre un 45-50% con respecto al GO, mantienen las características hidrofílicas de las superficies tipo arenisca, y sus emulsiones presentaron una estabilidad del 100 % después de 15 minutos de formadas y en ausencia salmuera. Estos nanomateriales mostraron ser prometedores para ensayos más especializados de recobro mejorado debido a su capacidad para formar emulsiones del tipo O/W, ser reductores en la tensión interfacial y su mejor estabilidad térmica. *