008240612s2023      us  |||||||||||||||c||eng  d
■001000016935304
■00520240214101916
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380478304
■035    ▼a(MiAaPQ)AAI30688305
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aLi,  Yuanhao.▼0(orcid)0000-0003-0688-0910
■24510▼aRigorously  Quantifying  Uncertainties  for  Transport  Phenomena  in  Molecular  Simulations▼h[electronic  resource]
■260    ▼a[S.l.]:▼bCarnegie  Mellon  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(122  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-04,  Section:  B.
■500    ▼aAdvisor:  Wang,  Gerald  J.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aThe  field  of  computational  materials  science  faces  various  challenges  in  data  processing,  including  dealing  with  high-dimensional  parameter  spaces  and  error  analysis.  Uncertainty  quantification  has  become  crucial  for  interpreting  the  results  of  materials  simulations.  We  begin  by  discussing  the  fundamentals  and  challenges  associated  with  addressing  uncertainties  in  molecular-dynamics  (MD)  simulations.  Subsequently,  we  address  two  problems  at  the  heart  of  uncertainty  analysis  for  MD  simulations.  In  the  first  problem,  under  the  assumption  that  we  have  a  large  dataset  consisting  of  numerous  statistically  independent  MD  datasets  (each  of  which  can  be  used  to  estimate  a  quantity  of  engineering  interest  via,  e.g.,  regression  analysis),  we  investigate  the  statistical  confidence  we  can  build  using  the  large  dataset  as  a  whole.  In  the  second  problem,  we  study  physical  settings  in  which  the  assumption  underlying  the  first  problem  is  likely  to  fail,  namely,  settings  in  which  nominally  independent  MD  datasets  are  not  in  fact  independent.  Both  problems  have  significant  relevance  for  the  interpretation  of  simulations  of  many  nanoscale  phenomena  (e.g.,  confined  fluid  diffusion  or  heat  transfer  at  fluid-solid  interfaces).We  discuss  an  approach  for  conducting  regression  analysis  on  time  series  data  designed  to  circumvent  the  challenges  posed  by  the  first  problem.  Additionally,  we  explore  an  approach  rooted  in  thermodynamic  principles  that  accelerates  the  decorrelation  between  consecutive  MD  measurements,  offering  a  solution  to  the  second  problem.  Leveraging  these  approaches,  we  study  thermal  transport  properties  at  a  fluid-solid  interface.  Finally,  we  propose  a  Heteroscedastic  Gaussian  Process  Regression  workflow  to  model  fluid  self-diffusion  coefficient  as  a  function  of  thermodynamic  conditions.
■590    ▼aSchool  code:  0041.
■650  4▼aEngineering.
■650  4▼aEnvironmental  engineering.
■650  4▼aCivil  engineering.
■653    ▼aMolecular-dynamics
■653    ▼aMaterials  simulations
■653    ▼aThermodynamic  conditions
■653    ▼aFluid-solid  interface
■690    ▼a0537
■690    ▼a0543
■690    ▼a0775
■71020▼aCarnegie  Mellon  University▼bCivil  and  Environmental  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-04B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16935304▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024