MARC

 008260126s2024        us                              c    eng  d
■001000017360379
■00520260202105515
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263337735
■035    ▼a(MiAaPQ)AAI32309302
■035    ▼a(MiAaPQ)GeorgiaTech75265
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a600
■1001  ▼aAllam,  Omar.
■24510▼aAtomistic  Modeling  and  Machine  Learning  for  the  Rational  Design  of  Organic  Energy  Storage  Materials
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a186  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Jang,  Seung  Soon;Lee,  Seung  Woo.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aDue  to  the  ever-increasing  need  for  energy  storage  solutions  that  are  both  highperforming  and  environmentally  sustainable,  the  development  of  electrochemically  active  organic  materials  offers  a  promising  direction  for  improving  energy  density,  safety,  and  environmental  impact  in  comparison  to  conventional  inorganic  materials  that  are  commonly  used.  This  dissertation  integrates  multiscale  atomistic  modeling  with  machine  learning  to  develop  a  framework  for  the  design  of  organic  materials  with  enhanced  alkaliion  storage  capabilities.  Additionally,  the  dissertation  investigates  the  development  of  organic  solid  polymer  electrolytes  (SPEs)  through  molecular  dynamics  simulations,  with  a  focus  on  scalable  mechanisms  for  modulating  nanophase  morphology  to  achieve  enhanced  ion  transport.The  dissertation  starts  with  the  application  of  a  density-functional  theory  (DFT)  and  machine  learning  (ML)  framework  that  effectively  captures  the  relationships  between  the  structural  and  electronic  properties  of  organic  compounds.  The  DFT-ML  framework  identifies  the  descriptors  influencing  the  redox  potentials  of  organics.  This  approach  is  complemented  by  a  high-throughput  virtual  screening  (HTVS)  pipeline  that  a  series  of  surrogate  ML  models  to  predict  essential  intermediate  properties  for  determining  redox  potentials,  greatly  improving  the  efficiency  of  screening  across  a  much  larger  chemical  space.  By  breaking  down  the  high  fidelity  DFT  calculations  into  successive  machine  learning  surrogates,  the  pipeline  assesses  key  electronic  properties  while  minimizing  computational  cost.The  dissertation  then  transitions  to  focused  studies  on  carbon  quantum  dot  (CQD)  and  reduced  graphene  oxide  (rGO)  hybrids,  examining  how  their  reactivity  and  interactions  with  alkali  ions  can  be  fine-tuned  through  hydrothermal  reduction  and  adjustments  in  oxygen  functional  group  content.  This  analysis  offers  a  systematic  framework  for  enhancing  electrochemical  performance  across  lithium,  sodium,  and  potassium  ion  battery  applications.Then  CO2-containing  Li-O2  battery  electrolytes  are  studied,  where  the  study  of  temperature-dependent  solvation  dynamics  in  glyme-based  electrolytes  reveals  mechanisms  that  influence  the  stability  and  reactivity  of  intermediate  peroxocarbonate  species.  The  findings  reveal  the  critical  impact  of  temperature  on  solvation  interactions  and  the  formation  of  Li2CO3  precipitates.  This  study  provides  an  assessment  of  the  practical  shift  from  Li-O2  cells  to  Li-air  (where  the  presence  of  CO2  substantially  alters  the  cell's  electrochemistry),  and  their  corresponding  temperature-dependent  performance.The  dissertation  then  investigates  ways  to  improve  the  cycling  stability  or  organic  cathode  materials  by  preventing  their  dissolution  in  the  organic  electrolytes.  It  is  found  that  the  development  of  novel  SPEs  is  necessary  to  form  a  more  compatible  electrolyte  for  these  materials.  This  work  begins  by  assessing  the  dynamics  of  liquid  carbonate  electrolytes  in  lithium-ion  batteries,  with  a  focus  on  how  salt  concentration  affects  the  mobility  of  solvent  molecules  and  ion  clustering.  This  part  of  the  work  provides  insights  crucial  for  optimizing  electrolyte  compositions  for  improved  energy  storage  capabilities.  The  work  then  shifts  to  designing  polymers  based  on  the  liquid  carbonate  derivatives,  identifying  practical  and  scalable  strategies  for  modulating  nanophase  morphology  to  achieve  optimized  performance.
■590    ▼aSchool  code:  0078.
■650  4▼aPolymers
■650  4▼aPhosphorus
■650  4▼aElectrolytes
■650  4▼aOxygen
■650  4▼aInvestigations
■650  4▼aElectrodes
■650  4▼aCarbon
■650  4▼aSolvents
■650  4▼aNeural  networks
■650  4▼aSalt
■650  4▼aMetal  oxides
■650  4▼aBatteries
■650  4▼aEnergy  storage
■650  4▼aQuantum  dots
■650  4▼aEnergy  consumption
■650  4▼aAlternative  energy
■650  4▼aPolymer  chemistry
■690    ▼a0363
■690    ▼a0800
■690    ▼a0495
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360379▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books