Utilização de análise multivariada de dados na otimização de misturas de minerais industriais para a formulação de tintas

Esta tese descreve a aplicação de métodos de análise multivariada de dados como ferramenta para auxiliar os formuladores de tinta na melhoria das propriedades finais da tinta, através da correlação entre os parâmetros das cargas e as variáveis resposta da tinta. Para obter maior e melhor conhecimento sobre os dados, deve-se utilizar métodos analíticos adequados. Foram escolhidos os métodos de projeção como: análise em componentes principais (PCA) e mínimos quadrados parciais (PLS). A PCA foi usada para investigar a relação entre as propriedades das cargas e as variáveis resposta da película seca. Com base nos resultados obtidos através da PCA foi possível correlacionar os parâmetros do mineral que mais influenciam as propriedades da película seca. Estas características dos minerais são: absorção em óleo, tamanho médio de partícula, razão de contraste e poder de espalhamento. A PLS foi utilizada para criar modelos preditivos multivariados a partir dos parâmetros calculados e indicados pela PCA. Através da interpretação dos modelos calculados pela PLS foi possível predizer os valores de razão de contraste e alvura da película seca. Modelamentos de misturas, através de planejamento de experimentos, foram empregados para otimizar as variáveis resposta da película e para fazer comparações entre cargas comerciais e não-comerciais. Neste tipo de modelamento a quantidade total (massa ou volume) do composto mineral é fixa, e o ajuste dos componentes (neste caso três) pertencentes a mistura é proporcional. Para o estudo das propriedades da região compreendido pelos três componentes, o projeto de misturas escolhido foi o planejamento Simplex. Como resultado, interações entre o dióxido de titânio e as cargas ocorrem de forma a melhorar a opacidade e a alvura da tinta sem prejudicar outras propriedades como a viscosidade e o brilho. As técnicas empregadas de análise multivariada de dados permitem a usuários, como o formulador, aprender mais sobre essas interações e estimar as melhores combinações entre os componentes minerais de maneira a melhorar as variáveis respostas e atingir níveis desejáveis de desempenho.This thesis describes the application of multivariate data analysis methods to help the coatings formulators to improve the coating properties through the correlation betwen functional fillers (or mineral extenders) parameters and response variables of a paint system. To gain meaningful and better knowledge from paint systems data, appropriate data analysis methods must be applied. Multivariate projection methods such as principal component analysis (PCA) and partial least squares (PLS) were chosen. PCA was used to investigate the relationships between functional filler properties and the final response variables of the coating. Based on a PCA model, calculated from the mineral characteristics, it was possible to correlate which parameters of the mineral influence more strongly the coating properties. These mineral characteristics are: oil absorption, mean particle size, contrast ratio and scattering power. PLS was used to create multivariate predictive models with the mineral parameters suggested by PCA. By interpreting PLS models it was possible to predict contrast ratio and whiteness value for the coating. Mixture models (design of experiments) were used to optimize the coating response variables and it was possible to perform comparisons between comercial and non-comercial mineral extenders. In the mixture models the total amount (mass or volume) of the mineral compound is fixed, and the settings of each of the components (in this case three) are proportional. For studying properties over the entire region of a three-component mixture the experiment design chosen was the simplex design. As a result, a number of interactions can occur between titanium dioxide and functional fillers to impart better opacity and whiteness to paints whithout prejudice of other properties such as viscosity and gloss. These methods of multivariate data analysis allow a potential user, as a coating formulator, to learn more about these minerals fillers interations and predict better combinations among mineral components to improve response variables and achieve desired performance levels