Otimização de Termometria Fotoluminescente por Métodos de Aprendizado de Máquina
termometria ótica; fotoluminescência; terras-raras; érbio
Materiais fotoluminescentes têm sido amplamente investigados para o desenvolvimento de termômetros ópticos. A técnica fundamenta-se na excitação do material por um comprimento de onda adequado e na análise do espectro de emissão resultante, o qual contém informações sobre a distribuição de população entre os níveis de energia. Parâmetros como razão de intensidades, deslocamento espectral, largura de banda e tempo de vida de estados emissores vêm sendo empregados na calibração de termômetros fotoluminescentes. A metodologia mais difundida baseia-se na razão de intensidades de emissões provenientes de níveis termicamente acoplados, cujas populações relativas seguem a distribuição de Boltzmann. Em princípio, a medida da intensidade relativa de dois níveis é suficiente para determinar a temperatura do meio. Entretanto, do ponto de vista experimental, observam-se limitações associadas ao ruído intrínseco dos sistemas de detecção, o que acarreta incertezas significativas na estimativa da temperatura. Estratégias como médias temporais podem reduzir o ruído, porém comprometem a operação em tempo real. Nesta dissertação, investigamos a aplicação de algoritmos de inteligência artificial para o aprimoramento do desempenho de termômetros fotoluminescentes. Diferentemente das abordagens tradicionais, que selecionam parâmetros termo-sensíveis específicos, empregamos todo o espectro de emissão como conjunto de variáveis de entrada em um modelo supervisionado, utilizando a temperatura como variável alvo. Essa estratégia permite explorar simultaneamente todas as características espectrais sensíveis à temperatura. Como sistema modelo, utilizamos nanopartículas de NaNbO3 dopadas com íons Er3+. Os resultados indicam melhoria significativa na precisão da estimativa de temperatura, especialmente em regimes de operação em tempo real.