MARC

 008250123s2024        us                              c    eng  d
■001000017162843
■00520250211152102
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382739786
■035    ▼a(MiAaPQ)AAI31349034
■035    ▼a(MiAaPQ)umichrackham005384
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a660
■1001  ▼aButler,  Brandon.
■24510▼aOn  the  Development  of  Tools  for  the  Study  of  Colloidal  Self-Assembly
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a119  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Glotzer,  Sharon.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aSelf-assembly  is  the  process  by  which  a  material  organizes  itself  without  the  need  for  external  stimuli.  This  process  spans  a  broad  range  of  phenomena,  from  the  crystallization  of  solids  from  atoms  and  molecules  to  the  formation  of  micelles  and  cell  membranes  by  amphiphilic  molecules  to  the  organization  of  colloidal  crystals  from  nanoparticles.  Understanding  these  phase  transitions  is  essential  to  the  intelligent  development  of  new  materials  and  structures  and  in  particular  for  controlling  the  thermodynamic  and  kinetic  pathways  for  assembly.  Enabling  such  control  will  allow  for  currently  impossible  to  access  phases,  precision  in  defect  sizes  and  amounts  and  control  of  other  knobs  of  phase  design  at  various  length  scales.In  Chapter  1,  we  describe  the  phenomena  and  challenges  to  detailed  investigation  of  assembly  pathways  that  this  dissertation  addresses.In  Chapter  2,  we  outline  two  methods  used  throughout  the  dissertation.In  Chapter  3,  we  present  a  six-step  pipeline  and  Python  package,  dupin,  we  developed  for  detecting  events  from  particle  trajectories.  The  detection  of  transitions  in  particle-based  (e.g.  molecular)  simulations  is  typically  handled  in  an  ad  hoc  way,  while  dupin  provides  a  generalized  detection  scheme  that  maintains  interpretability  and  permits  comparison  among  disparate  systems  and  pathways.  Furthermore,  by  automating  the  detection  of  events  associated  with  phase  transformations,  dupin  enables  self-assembly  studies  at  larger  length  and  time  scales  than  previously  feasible  by  removing  the  operator  from  the  data-processing  loop.  We  conclude  Chapter  3  with  example  applications  of  dupin  to  the  study  of  self-assembly.In  Chapter  4,  we  outline  and  discuss  a  new  order  parameter  that  quantifies  the  symmetry  of  local  particle  environments.  During  the  formation  of  crystals,  particles  organize  themselves  locally  into  motifs  with  new  symmetries  that  may  or  may  not  be  present  in  the  fluid  or  the  final  crystal  structure.  The  "Point  Group  Order  Parameter",  PGOP,  identifies  the  point  group  symmetry  of  an  individual  particle's  local  environment.  By  identifying  these  local  motifs  and  how  they  change  over  time,  we  can  learn  how  a  fluid  chooses  a  particular  kinetic  pathway  to  follow.  We  compare  PGOP  to  other  commonly  used  local  order  parameters  and,  through  examples,  show  how  it  provides  a  useful  level  of  description  not  accessible  to  other  order  parameters.  The  chapter  begins  with  an  outline  of  the  algorithm  that  is  quickly  followed  by  various  demonstrations  of  PGOP's  ability  to  detect  and  quantify  local  order  in  noisy  crystalline  systems  with/without  defects  and  even  amorphous  phases.In  Chapter  5,  we  present  another  new  order  parameter  we  developed  for  studying  phase  transformations.  This  new  order  parameter  consists  of  a  group  of  functions  that  form  a  vector  of  continuous  local  coordination  numbers,  CNv  ,  in  a  system  of  particles.  The  well-known  local  coordination  number,  CN,  is  defined  for  particle-based  systems  as  the  number  of  particles  that  are  first  nearest  neighbors  to  a  given  particle.  Consequently,  CN  takes  on  only  discrete  integer  values,  which  can  be  problematic  when  used  as  a  local  order  parameter  due  to  fluctuations  from  thermal  effects.  CNv  smooths  CN  into  a  continuous  value  -  essentially  a  dimensionless  local  density  -  making  it  useful  in  self-assembly  studies  in  which  thermal  noise  and  other  forces  can  cause  discontinuous  changes  in  CN.  To  do  this,  CNv  uses  the  area  of  facets  in  Voronoi  tessellation  polytopes  to  weigh  neighbor  contributions  to  a  coordination  shell.  We  provide  a  detailed  description  of  CNv  and  demonstrate  its  usefulness  in  noisy  systems  and  in  combination  with  PGOP.In  Chapter  6,  we  discuss  our  software  development  contributions  to  HOOMD-blue,  our  group's  open  source  Python  simulation  toolkit,  for  its  version  3  release.  This  release  included  a  complete  redesign  of  the  application  programming  interface,  various  ways  to  extend  molecular  dynamics  and  Monte  Carlo  simulations  of  particle-based  systems  in  Python  and  direct  access  to  HOOMD-blue's  internal  data  buffers.  These  advancements  facilitated  numerous  new  simulation  protocols  and  methodologies  while  reducing  the  human  capital  necessary  for  the  design  of  new  simulation  techniques.We  conclude  my  dissertation  in  Chapter  7  with  a  summary  of  the  preceding  chapters  and  provide  a  forward-looking  perspective  regarding  further  work  and  the  potential  new  applications  of  our  work  in  the  field  of  self-assembly.
■590    ▼aSchool  code:  0127.
■650  4▼aChemical  engineering
■650  4▼aApplied  physics
■650  4▼aCondensed  matter  physics
■653    ▼aColloids
■653    ▼aSelf-assembly
■653    ▼aOrder  parameters
■653    ▼aSoftware  development
■653    ▼aBond  orientational  ordering
■653    ▼aChange  point  detection
■690    ▼a0542
■690    ▼a0215
■690    ▼a0611
■71020▼aUniversity  of  Michigan▼bChemical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162843▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서