O monitoramento de íons metálicos em altas concentrações industriais
é frequentemente limitado pela saturação de sinal e pela não linearidade
inerentes aos sensores ópticos convencionais. Este trabalho propõe uma
plataforma de sensoriamento baseada em Pontos de Carbono (PCs) sintetizados
a partir do mesocarpo de Orbignya speciosa, integrando as espectroscopias de
Fluorescência (FL) e Espectrometria de Lente Térmica (TLS) a algoritmos de
Aprendizado de Máquina. A abordagem multitécnica revelou assinaturas físico-
químicas distintas para cada analito: o cobre (Cu2+) induziu supressão estática
dominada por agregação e espalhamento de luz; o cobalto (Co2+) ativou
mecanismos dinâmicos de esfera de ação em regime de lente térmica forte; e o
níquel (Ni2+) apresentou comportamento regido por acessibilidade fracionada. O
modelo Random Forest (RF) alcançou precisão máxima (100%) na classificação
e superou modelos lineares e SVR na etapa de quantificação, demonstrando
robustez ao interpretar distorções cinéticas e espectrais complexas. Em síntese,
a convergência entre nanomateriais sustentáveis e inteligência artificial viabiliza
diagnósticos precisos em regimes de alta concentração, superando gargalos
analíticos tradicionais do sensoriamento óptico.