O estudo do empacotamento encontra inúmeras aplicações e é influenciado por diversas variáveis. No caso de partículas, os modelos e as ferramentas atuais se baseiam na caracterização intensiva de variáveis relacionadas à morfologia das partículas e ao processo de empacotamento, através dos quais as correlações entre elas vêm sendo mais bem compreendidas. Mesmo assim, a ciência do empacotamento de partículas é pouco explorada na manufatura de alguns materiais cerâmicos, por exemplo, na fabricação de vitrocerâmicas ou compósitos cerâmicos por sinterização, embora seu controle seja essencial para o controle do processo e de suas propriedades finais. Além disso, os modelos de empacotamento mais aprimorados na literatura foram desenvolvidos para concretos, principalmente para construção civil, deixando lacunas para sua aplicação em outros sistemas cerâmicos. Neste trabalho, modelos de empacotamento baseados em métodos de aprendizado de máquina (machine learning) foram construídos com base em variáveis consolidadas na literatura, como fatores de forma, distribuição granulométrica, dimensão fractal e o efeito no empacotamento sob compressão & vibração uniaxial. O comportamento do empacotamento de partículas de vidro e areia, com diferentes granulometrias e morfologias, foi estudado experimentalmente e comparado com os resultados dos modelos. Foram utilizados pós de vidro soda-cal-sílica comercial temperado termicamente, obtidos por moagem e separação em diferentes faixas granulométricas, e areia de um quartzito ornamental. As matérias-primas foram separadas em 8 granulometrias diferentes, sendo duas de areia e seis de vidro. Fatores de forma das partículas foram determinados por análise de imagens de aproximadamente 1000 partículas obtidas por microscopia óptica. A granulometria das amostras foi determinada por difração à laser, replicada sete vezes. O fator de processo de empacotamento foi determinado em um sistema de compressão uniaxial com vibração durante 4 min, replicada 25 vezes. Os 41406 valores experimentais foram aplicados no treinamento de métodos de machine learning, a saber, random forest, redes neurais, e support vector machine. Os resultados mostraram grande precisão dena previsão do empacotamento nos sistemas estudados, sendo o método das redes neurais o que mais acurado. O método support vector machine apresentou uma precisão maior devido ao seu caráter linear de modelamento.

The study of packing finds numerous applications and is influenced by several variables. In the case of particles, current models and tools are based on the intensive characterization of variables related to their morphology and the packing process, through which the correlations between them have been better understood. Even so, knowledge of particle packing has yet to be explored in manufacturing some ceramic materials, such as glass-ceramics or ceramic composites by sintering, although its control is essential. Furthermore, the most improved packing models in the literature were developed for concrete, mainly for civil construction, leaving gaps for their application in other ceramic systems. In this work, packing models based on machine learning methods were built based on variables consolidated in the literature, such as shape factors, particle size distribution, fractal dimension, and the effect on packing under uniaxial compression and vibration. The packing behavior of glass and sand particles, with different particle sizes and morphologies, was studied experimentally and compared with model results. Commercial thermally tempered soda-lime-silica glass powders, obtained by grinding and separation into different particle size ranges, and sand from an ornamental quartzite were used. The raw materials were separated into eight different particle sizes, two of which were sand and six were glass. Particle shape factors were determined by analyzing images of approximately 1000 particles obtained by optical microscopy. The particle size distributions were determined by laser diffraction and replicated seven times. The packing process factor was determined in a uniaxial compression system with vibration for 4 minutes and replicated 25 times. The 41406 experimental values were applied to the machine learning methods: random forest, neural networks, and support vector machines. The results showed great accuracy in predicting packaging in tested systems, with the neural network method being the most accurate. The support vector machine method also showed greater accuracy due to its linear modeling.