008240612s2023      us  |||||||||||||||c||eng  d
■001000016935370
■00520240214101924
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380807593
■035    ▼a(MiAaPQ)AAI30693035
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a660
■1001  ▼aBhat,  Maya.▼0(orcid)0000-0001-9750-9599
■24510▼aImplementing  Data  Driven  Modeling  and  Design  of  Experiments  in  Green  Hydrogen  Production  Catalyst  Discovery  and  Chemical  Engineering  Applications▼h[electronic  resource]
■260    ▼a[S.l.]:▼bCarnegie  Mellon  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(201  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-05,  Section:  B.
■500    ▼aAdvisor:  Kitchin,  John.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aIn  chemical  engineering,  scientific  research  has  grown  increasingly  complex.  Machine  learning  (ML)  and  data  science  offer  tools  to  change  how  we  conduct  research  by  digitizing  workflows,  creating  data-driven  optimization  models,  making  predictions  for  future  research,  and  more.  Despite  recent  rapid  advances  in  these  two  fields,  some  research  setups  lack  software  infrastructure  to  leverage  these  tools.  Bridging  the  gap  with  domain  insights  for  both  experimental  setups  and  data  science  is  essential  to  mutually  benefit  from  their  progress.This  dissertation  explores  the  intersection  of  data  science,  ML  techniques  and  sequential  experimentation  guided  by  Design  of  Experiments  (DoE)  principles.  The  integration  of  computational  techniques  with  experimental  data,  we  can  accelerate  trend  identification,  multi-dimensional  system  optimization,  and  high-confidence  decision  boundary  establishment,  ultimately  expediting  experimental  discoveries  and  conserving  vital  resources.  The  dissertation  consists  of  six  chapters,  each  contributing  to  the  development  of  workflows  to  enhance  experimental  discovery.First,  we  layout  the  benefits  and  current  limitations  in  incorporating  modern  machine  learning  and  data  science  principles  in  fundamental  scientific  discovery.  We  discuss  data  sources,  manipulation,  model  selection,  and  the  importance  of  domain  knowledge.  This  is  critical  in  developing  frameworks  that  account  for  experimental  setup  and  data  collection  limitations  while  ensuring  complete  datasets  that  are  machine  readable  for  further  analysis  and  modeling.  Next,  we  apply  these  methods  to  a  high  throughput  experimental  setup  measuring  light  driven  H2  production  from  colloidal  metallic  heterogeneous  catalysts.  We  take  a  data  science  approach  to  analyzing  96-well  plate  experiments  and  performing  analytics  on  each  experiment  and  the  entire  dataset.  Given  these  findings,  we  study  the  in-situ  catalyst  formation,  and  optimize  the  resulting  system  for  H2  production  with  DoE  and  subsequent  analysis.  We  then  extend  these  sampling  methods  towards  identifying  active  multi-metallic  catalysts  containing  Cu-Ru-Fe.  The  final  section  introduces  novel  methods  of  sequential  sampling  for  different  experimental  goals  -  classification  tasks.  We  aim  to  study  different  sequential  sampling  techniques  to  find  divisions  between  desirable  and  undesirable  regions  with  a  high  degree  of  certainty  and  few  experimental  samples.
■590    ▼aSchool  code:  0041.
■650  4▼aChemical  engineering.
■650  4▼aEnergy.
■653    ▼aCatalysis
■653    ▼aData  science
■653    ▼aHydrogen
■653    ▼aMachine  learning
■653    ▼aSequential  sampling
■690    ▼a0542
■690    ▼a0791
■690    ▼a0800
■71020▼aCarnegie  Mellon  University▼bChemical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-05B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16935370▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024