Os minerais são estudados e utilizados há milênios devido as suas propriedades únicas, suas aplicações envolvem diversas áreas de pesquisa e desenvolvimento (incluindo física de materiais, construção civil, mineração, saúde, entre outras). Estes materiais inorgânicos são fontes de matéria prima, trazem informação sobre as condições físicas e químicas necessárias para sua formação, servindo como um registro histórico de todos os processos que ocorreram na região específica em que são encontrados ou, até mesmo, sobre a própria dinâmica do planeta. Um dos cinco elementos mais abundantes na crosta terrestre é o ferro, presente em vários minerais (com diferentes composições químicas e estruturas cristalinas). Para diferenciar estes minerais, é necessário utilizar diversas técnicas experimentais, apenas algumas delas possibilitam a sua identificação sem muito preparo ou quantidade, como a espectroscopia Raman que permite analisar o espectro característico devido aos fônons da rede cristalina. Analisar os espectros Raman de cada espécie mineral e identificá-la, muitas vezes é um processo complexo, uma vez que diferentes fenômenos podem produzir espectros com diferentes comportamentos para uma mesma espécie; como por exemplo, a presença de impurezas, efeitos de polarização e variação da composição química. Portanto, torna-se necessário a utilização de modelos e algoritmos que consigam reconhecer os padrões espectrais de cada espécie e, assim, realizar a identificação do mineral de maneira mais confiável. Nesta situação, os modelos de aprendizagem de máquina se adequam devido a sua capacidade de se adaptar a problemática na qual estão inseridas. Neste trabalho foram utilizados modelos de aprendizado de máquina supervisionados para realizar a classificação dos minerais de ferro (principalmente óxidos) por meio de espectros Raman. Além disso, a confirmação da identificação dos minerais em estudo também foi efetuada por difração de raios X (determinação dos parâmetros de cela) e microscopia eletrônica (composição química). No trabalho foi utilizado o método dos mínimos quadrados assimétricos, para a remoção de ruído de fundo dos espectros Raman, e foram realizadas expansões artificiais (para aumentar a quantidade amostral de espectros) e métodos de redução (PCA, KPCA e LDA, para diminuir os parâmetros de entrada nos modelos), de modo a diminuir possíveis efeitos de sobreajuste. Diferentes modelos de aprendizado de máquina (redes neurais artificiais, vizinhos próximos, árvore de decisão, floresta aleatória e naive bayes) foram utilizados para realizar a classificação. Dentre os modelos, as redes neurais perceptron de múltiplas camadas e convolucionais apresentaram-se como as mais adequadas para realizar a automação da identificação uma vez que apresentaram acurácia de 0,942 e 0,958, respectivamente. Os resultados obtidos permitem concluir que as redes neurais possibilitam a automação da identificação dos espectros Raman de minerais de ferro com desempenho bastante satisfatório.

Minerals have been studied and used for millennia due to their unique properties and their applications involve several areas of research and development (including materials physics, civil construction, mining, health, among others). Such inorganic materials are sources of raw material and provide information on the physical and chemical conditions necessary for their formation, serving as a historical record of all processes occurred in a specific region where they are found, or, even, of the dynamics of the planet. Iron, one of the five most abundant elements in the Earth's crust, is present in several minerals with different chemical compositions and crystalline structures. The differentiation of those minerals requires the adoption of several experimental techniques, of which some identify them without many preparations or quantities. Among such techniques is Raman spectroscopy, which enables analyses of a characteristic spectrum due to the phonons of the crystal lattice. However, analyses of the Raman spectra of each mineral species and their identification are often complex processes, since different phenomena such as presence of impurities, polarization effects, and variation in chemical composition can produce spectra with different behaviors for a same species. Models and algorithms that can recognize the spectral patterns of each species and identify the mineral more reliably are therefore necessary. Machine learning models are suitable due to their ability to adapt to the problem in which they are inserted. This thesis addresses the use of supervised machine learning models for the classification of iron minerals (mainly oxides) by Raman spectra. The identification of the minerals was confirmed by X-ray diffraction (determination of cell parameters) and electron microscopy (chemical composition). Asymmetric least squares method removed background noise from the Raman spectra and artificial expansions for increasing the sample quantity of spectra and PCA, KPCA, and LDA reduction methods reduced the parameters and were adopted for reducing possible overfitting effects. The machine learning models used were artificial neural networks, nearest neighbors, decision trees, random forests, and naive Bayes. Multilayer perceptron and convolutional neural network models were more suitable for identifying automation, since they achieved, respectively, 0.942 and 0.958 accuracies. According to the results, neural networks enable automating the identification of Raman spectra of iron minerals reliably.