Do Dado Bruto ao Insight: Automatizando o Fluxo de Análise de Dados de Fluorescência de Raios X
Resumo
A análise de materiais por Fluorescência de Raios X por Dispersão de Energia (ED-XRF) é uma técnica rápida e eficaz, mas seu potencial é frequentemente limitado pela exportação de dados em formatos textuais não estruturados. A análise de dados é retardada por um gargalo operacional crítico: a extração e formatação manual dos dados, um processo demorado e com alta propensão a erros. Este trabalho (work in progress) apresenta o desenvolvimento de um software de código aberto, concebido em Python, para automatizar completamente este fluxo, focando especificamente em arquivos gerados pelo espectrômetro EDX-7000 da Shimadzu. A metodologia emprega bibliotecas como Pandas e NumPy para o parsing e estruturação de dados, e PyQt5 com Matplotlib para a criação de uma interface gráfica interativa. Como resultados preliminares, o protótipo funcional já é capaz de carregar arquivos brutos, processar as informações de forma autom ática e exibir os resultados de composição elementar em uma tabela organizada, além de plotar o espectro XRF diretamente na interface. A validação inicial confirma que a ferramenta otimiza o tempo de análise, reduzindo significativamente o risco de erros de transcrição manual. Os próximos passos incluem a expansão da compatibilidade para outros modelos de equipamentos e a implementação de ferramentas analíticas avançadas.
Palavras-chave:
Automação de Dados, ED-XRF, Análise Espectral, Software Científico, Fluxo de Trabalho Científico
Referências
R. M. Jarvis and R. Goodacre, “Genetic algorithm optimization for preprocessing and variable selection of spectroscopic data,” Bioinformatics, vol. 21, pp. 860–868, 2004.
B. Beckhoff et al., Handbook of Practical X-Ray Fluorescence Analysis. Springer, 2006.
M. Haschke, J. Flock, and M. Haller, X-ray Fluorescence Spectroscopy for Laboratory Applications. Wiley-VCH, 2021.
P. Virtanen et al., “SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python,” Nature Methods, vol. 17, pp. 261–272, 2020.
C. R. Harris et al., “Array programming with NumPy,” Nature, vol. 585, no. 7825, pp. 357–362, 2020.
J. D. Hunter, “Matplotlib: A 2D graphics environment,” Computing in Science & Engineering, vol. 9, no. 3, pp. 90–95, 2007.
Riverbank Computing Limited, “PyQt5 Documentation,” 2025. [Online]. Available: [link]. [Accessed: Aug. 21, 2025].
T. pandas development team, “pandas-dev/pandas: Pandas,” Zenodo, 2020. [Online]. DOI: 10.5281/zenodo.3509134.
B. Beckhoff et al., Handbook of Practical X-Ray Fluorescence Analysis. Springer, 2006.
M. Haschke, J. Flock, and M. Haller, X-ray Fluorescence Spectroscopy for Laboratory Applications. Wiley-VCH, 2021.
P. Virtanen et al., “SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python,” Nature Methods, vol. 17, pp. 261–272, 2020.
C. R. Harris et al., “Array programming with NumPy,” Nature, vol. 585, no. 7825, pp. 357–362, 2020.
J. D. Hunter, “Matplotlib: A 2D graphics environment,” Computing in Science & Engineering, vol. 9, no. 3, pp. 90–95, 2007.
Riverbank Computing Limited, “PyQt5 Documentation,” 2025. [Online]. Available: [link]. [Accessed: Aug. 21, 2025].
T. pandas development team, “pandas-dev/pandas: Pandas,” Zenodo, 2020. [Online]. DOI: 10.5281/zenodo.3509134.
Publicado
22/10/2025
Como Citar
PIMENTA, Victor Guilherme Rosa; MELO, Matheus Dias; MELQUIADES, Fábio Luiz; MARQUES, Leonardo Carmezini.
Do Dado Bruto ao Insight: Automatizando o Fluxo de Análise de Dados de Fluorescência de Raios X. In: CONGRESSO LATINO-AMERICANO DE SOFTWARE LIVRE E TECNOLOGIAS ABERTAS (LATINOWARE), 22. , 2025, Foz do Iguaçu/PR.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 921-924.
DOI: https://doi.org/10.5753/latinoware.2025.16570.
