O escopo dessa dissertação consiste em determinar transportadores de oxigênio otimizados à base de manganês para aplicação em processos de Recirculação Química utilizando Análise Bibliométrica e Aprendizado de Máquinas. A Análise Bibliométrica realizada neste estudo oferece uma visão abrangente dos dados estatísticos e das tendências relacionadas aos transportadores de oxigênio à base de manganês para aplicações em processos de Recirculação Química (CL – Chemical Looping) no período de 2006 a 2023. A busca realizada na base de dados Web of Science resultou em um total de 426 documentos, dos quais 65 foram cuidadosamente selecionados utilizando o método ProKnow-C para compor o portfólio de estudos. Em seguida, para a realização da análise bibliométrica (construção de tabelas, gráficos e mapas bibliométricos) foram utilizados a plataforma da Web of Science, o VOSviewer e o Excel. Logo depois, foi construída uma planilha do Excel contendo os dados de entrada e saída referentes aos artigos do portfólio bibliográfico para aplicação em Aprendizado de Máquinas, para determinar os transportadores de oxigênio otimizados à base de manganês. Em seguida, os transportadores de oxigênio foram reproduzidos experimentalmente e realizada as análises de FRX, DRX, MEV e capacidade de transporte de oxigênio (Roc) em termobalança. A análise bibliométrica revelou o considerável potencial dos transportadores de oxigênio sintéticos à base de manganês para aplicação nos processos de Recirculação Química. De acordo com as análises dos artigos mais relevantes, esses materiais demonstraram apresentar taxas de atrito reduzidas e uma baixa tendência à aglomeração em reatores de leito fluidizado contínuo. Além disso, a análise contribuirá para a otimização das propriedades físico-químicas dos transportadores de oxigênio, uma vez que considerou a influência do tipo de fase ativa e do suporte nos testes de reatividade, capacidade de transporte de oxigênio, taxa de atrito e aglomeração em reatores de leito fluidizado contínuo nos processos de CL. Com relação ao processamento dos dados em Aprendizado de Máquinas, verificou-se que os dados referentes a Capacidade de Transporte de Oxigênio se ajustaram muito bem aos modelos de regressão Random Forest e XGBoost, com previsões altamente precisas com alto coeficiente de determinação para o conjunto de treinamento (R2 = 0.9511 no Random Forest e R2 = 0.9999 no XGBoost) e de teste (R2 = 0.9352 no Random Forest e R2 = 0.9309 no XGBoost), baixos erros quadráticos médios (MSE = 0.0728 no Random Forest e MSE = 0.0776 no XGBoost) e Raizes do Erro quadrático médio para o conjunto de teste (RMSE = 0.2698 no Random Forest e RMSE = 0.2786 no XGBoost). Além disso, analisando os gráficos das variáveis de entrada versus Roc para os conjuntos de treinamento dos dois modelos, foi possível determinar dois transportadores de oxigênio que possuem boa capacidade de transporte de oxigênio e boa resistência mecânica: TO_MnFe (76% de Mn e 24% de Fe) e TO_MnMg (60% de Mn e 40% de Mg).