Estudos das Propriedades Mecânicas de Alótropos de Carbono 2D: Dos Potenciais Clássicos aos Modelos de Aprendizado de Máquina.
Alótropos de Carbono 2D, Propriedades Mecânicas, Dinâmica Molecular, Aprendizado de Máquina.
A crescente diversidade de alótropos de carbono bidimensionais (2D) com topologias complexas exige a compreensão de suas propriedades mecânicas, cuja previsão precisa representa um desafio para os métodos computacionais tradicionais. Esta tese aborda este desafio investigando a resposta mecânica de alótropos com complexidade topológica crescente, através de uma abordagem computacional que progride de potenciais reativos clássicos, aplicados ao PAI-Graphene e à nova família Nanoporous Graphene (NPG), ao desenvolvimento de um Potencial Interatômico de Aprendizado de Máquina (MLIP) de alta fidelidade para o novo e complexo alótropo PolyRingene. Os resultados demonstram a estabilidade de todos os materiais propostos e, crucialmente, validam a metodologia de MLIP para o PolyRingene, mostrando que o potencial treinado reproduz com precisão os dados de referência da Teoria do Funcional da Densidade (DFT), em contraste com os potenciais clássicos que falham significativamente. Com a abordagem validada, foram caracterizadas as propriedades mecânicas anisotrópicas e os mecanismos de fratura dos novos alótropos, revelando uma rica relação entre a topologia da rede e sua resposta sob tensão. O trabalho contribui, portanto, com a proposição de novos alótropos de carbono mecanicamente robustos e estabelece um fluxo de trabalho que demonstra a superioridade e a necessidade dos potenciais de aprendizado de máquina para a predição acurada das propriedades de materiais com arquiteturas atômicas não convencionais.