Michael Nazarkovsky、リオデジャネイロのポンティフィカルカトリック大学、リオデジャネイロのポンティフィカルカトリック大学
マリア・ガラブルダ博士、 ウクライナ国立科学アカデミーのチュイコ表面化学研究所
Volodymyr M. Gun'ko、教授、 ウクライナ国立科学アカデミーのチュイコ表面化学研究所
一連のС/МバツO y / SiO 2ナノコンポジットは、金属酸化物/シリカナノコンポジットで前修飾されたレゾルシノール-ホルムアルデヒドポリマーの熱分解によって合成されています。 次に、二元ナノ酸化物（MバツO y / SiO 2ここで、M = Mg、Mn、Ni、Cu、およびZn）は、ヒュームドシリカ上に堆積した金属酢酸塩の熱酸化分解によってシンセサイズ化されました。これらの材料は、微量の有機物や重金属の吸着や濃縮に有望です。 ナノコンポジットは、分布プロファイルからわかるように、メソ多孔性と狭いサイズの細孔を示します。 気孔率は材料の組成に依存します。 したがって、炭素を含むタイプと炭素を含まないタイプ（またはクラス）のテクスチャパラメータは、教師なし手法である階層的クラスタリングを使用して、両方の材料クラスの分類モデルを開発するための入力データとして機能しました。
クラスター式が導き出されると、クラスター化を成功させるために、表面とミクロポアの体積（Smicro、Vmicro）とメソポアの体積（Vmeso）が最も高いR2（0.83〜90）を持つことが確立されました。 Macroposityは、最も低い適合性（R2 <0.1）を示し、その2つのそれぞれのパラメーター（Smacro、Vmacro）は、2クラスターモデルの最も弱い要因と見なされます。
並行して、主成分分析は、変数の数を減らして（固有値> 1の3つの成分）、ナノマテリアルの対象クラスを区別するのに役立ちました。 各コンポジットを適切なクラスに割り当てるために、2コンポーネントおよび3コンポーネントのK-Meansクラスタリングが実行されました。したがって、ナノマテリアルの2つの多変量クラスの場合は、データサイエンスのさまざまな独立した方法で説明できます。
