Modelagem preditiva de propriedades elétricas de materiais para sistemas de energia usando Inteligência Artificial
DOI:
https://doi.org/10.54899/dcs.v23i88.4872Palavras-chave:
Inteligência Artificial, Modelagem Preditiva, Propriedades Elétricas, Sistemas de EnergiaResumo
Considerando a necessidade de acelerar a descoberta e a otimização de materiais para sistemas de energia sustentável, diante das limitações de custo, tempo e complexidade dos métodos tradicionais, objetiva-se compreender como a inteligência artificial pode aprimorar a predição das propriedades elétricas de materiais aplicados ao setor energético. Para tanto, procede-se à realização de uma revisão bibliográfica descritiva, com buscas nas bases SciELO, Scopus e Web of Science, contemplando estudos publicados entre 2014 e 2025 sobre modelagem preditiva, aprendizado de máquina e sistemas energéticos. Desse modo, observa-se que modelos de machine learning, deep learning e abordagens híbridas apresentam alta precisão, redução significativa de erros e maior capacidade de explorar espaços composicionais complexos, inclusive com recursos de explicabilidade. O que permite concluir que a inteligência artificial constitui ferramenta estratégica para o desenvolvimento de materiais e sistemas energéticos mais eficientes, resilientes e alinhados às demandas da transição energética sustentável, inteligência artificial e características elétricas.
Downloads
Referências
ABDUL BASEER, M.; ALMUNIF, A.; ALSADUNI, I.; TAZEEN, N. Electrical power generation forecasting from renewable energy systems using artificial intelligence techniques. Energies, 2023; 16(18): 6414.
ALKAHTANI, H.; ALDHYANI, T. H. H.; ALSUBARI, S. N. Application of artificial intelligence model solar radiation prediction for renewable energy systems. Sustainability, 2023; 15: 6973.
DON-TSA, Delchere et al. Predictive models for inorganic materials thermoelectric properties with machine learning. Machine Learning: Science and Technology, Bristol, v. 5, n. 3, 035067, 2024. DOI: https://doi.org/10.1088/2632-2153/ad6831.
IMAM RAHMANI, Mohammad Khalid et al. An Artificial Intelligence-Based Predictive Modelo for Power Forecasting Using Nano-Electronic Sensors in Hybrid Renewable Energy System. Journal of Nanoelectronics and Optoelectronics, v. 19, n. 2, p. 188-201, 2024.
MALEKI, Reza; ASADNIA, Mohsen; RAZMJOU, Amir. Artificial intelligence‐based material discovery for clean energy future. Advanced Intelligent Systems, v. 4, n. 10, p. 2200073, 2022.
MAMODIYA, U.; KISHOR, I.; GARINE, R. et al. Artificial intelligence based hybrid solar energy systems with smart materials and adaptive photovoltaics for sustainable power generation. Scientific Reports, v. 15, 17370, 2025.
MASHHADIMOSLEM, H.; KARIMI, P.; ELKAMEL, A. et al. Toward high entropy material discovery for energy applications using computational and machine learning methods. npj Computational Materials, v. 12, 50, 2026.
QAYYUM, F.; KHAN, M. A.; KIM, D.-H.; KO, H.; RYU, G.-A. Explainable AI for material property prediction based on energy cloud: a Shapley-driven approach. Materials, 2023; 16: 7322.
RAHMAN, M. M.; SHAKERI, M.; TIONG, S. K.; KHATUN, F.; AMIN, N.; PASUPULETI, J.; HASAN, M. K. Prospective methodologies in hybrid renewable energy systems for energy prediction using artificial neural networks. Sustainability, 2021; 13(4): 2393.
STRIELKOWSKI, Wadim et al. Predictive demand analytics and machine learning in electric power systems for enhancing resilience and efficiency. Sustainable Energy, Grids and Networks, p. 101722, 2025.
WANG, Yuelin; ZHONG, Chengquan; LIN, Xi. Machine learning for predictive design and optimization of high-performance thermoelectric materials: a review. Journal of Materials Informatics, [S.l.], v. 5, 41, 2025. DOI: https://doi.org/10.20517/jmi.2025.18.
YAO, Zhenpeng et al. Machine learning for a sustainable energy future. Nature Reviews Materials, [S.l.], v. 8, p. 202-215, 2023. DOI: https://doi.org/10.1038/s41578-022-00490-5.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Revista DCS
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
