Uso de machine learning para predecir propiedades de nanopartículas de metales nobles

Simple item page
dc.audiencegeneralPublic
dc.contributorArzola Flores, Jesús Andrés
dc.contributorSantamaría Juárez, Juana Deisy
dc.contributor.advisorArzola Flores, Jesús Andrés; 0000-0001-9839-982X
dc.contributor.advisorSantamaría Juárez, Juana Deisy; 0000-0003-0935-5468
dc.contributor.authorVega Villegas, Orli
dc.creatorVega Villegas, Orli; 0009-0003-4196-2150
dc.date.accessioned2026-09-10T16:04:01Z
dc.date.available2026-09-10T16:04:01Z
dc.date.issued2026-02
dc.description.abstract“En este trabajo se establece un modelo predictivo que emplea el radio de nanopartículas (NPs) esféricas de oro (Au), plata (Ag) y cobre (Cu) como variable independiente y la intensidad del modo dipolar de dichas NPs como variable a predecir, para esto se utilizó el software MiePlot para calcular los espectros teóricos de absorción, esparcimiento (dispersión) y extinción mediante la Teoría de Mie, con el propósito de identificar el máximo dipolar en función del radio de las NPs. Los resultados obtenidos se utilizaron para el entrenamiento, prueba y validación de modelos de aprendizaje supervisado. La regresión por vectores de soporte con kernel de función de base radial (SVR: Support Vector Regression (RBF: Radial Basis Function).) y k vecinos más cercanos (KNN: K-Nearest Neighbors) lograron un desempeño superior con respecto a la regresión lineal, alcanzando coeficientes de determinación superiores a 0.90 y errores absolutos medios bajos. El modelo SVR presentó mejores resultados específicamente para las NPs de Au, mientras que KNN tuvo mejores resultados para Ag y Cu. Con los resultados obtenidos se demuestra que el uso del (ML: Machine Learning) permite hacer predicciones de la intensidad del modo dipolar con un nivel de confiabilidad alto, siendo así una herramienta complementaria a la Teoría de Mie para el diseño y optimización de NPs plasmónicas en diferentes aplicaciones”.
dc.folio20260219120347-8440-TL
dc.formatpdf
dc.identificator2
dc.identifier.urihttps://hdl.handle.net/20.500.12371/33676
dc.language.isospa
dc.matricula.creator201807127
dc.publisherBenemérita Universidad Autónoma de Puebla
dc.rights.accesopenAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0
dc.subject.classificationBIOLOGÍA Y QUÍMICA
dc.subject.lccIngeniería (General)--Materiales de ingeniería y construcción--Materiales de composición o estructura especial--Materiales nanoestructurados
dc.subject.lccNanopartículas metálicas--Propiedades
dc.subject.lccPlasmones (Física)
dc.subject.lccMateriales nanoestructurados--Espectros
dc.subject.lccAprendizaje automático (Inteligencia artificial)
dc.thesis.careerLicenciatura en Ingeniería Química
dc.thesis.degreedisciplineÁrea de Ingeniería y Ciencias Exactas
dc.thesis.degreegrantorFacultad de Ingeniería Química
dc.thesis.degreetoobtainIngeniero (a) Químico (a)
dc.titleUso de machine learning para predecir propiedades de nanopartículas de metales nobles
dc.typeTesis de licenciatura
dc.type.conacytbachelorThesis
dc.type.degreeLicenciatura
Files
Original bundle
Now showing 1 - 2 of 2
Name:
20260219120347-8440-TL.pdf
Size:
1.67 MB
Format:
Adobe Portable Document Format
Download
Name:
20260219120347-8440-CARTA.pdf
Size:
517.47 KB
Format:
Adobe Portable Document Format
Collections
Tesis de Licenciatura