MARC

 008260126s2025        us                              c    eng  d
■001000017359689
■00520260202105158
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798297649286
■035    ▼a(MiAaPQ)AAI32243972
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a628
■1001  ▼aSaha,  Saptarshi.▼0(orcid)0000-0001-8433-1461
■24510▼aUncovering  Topological  Defects  in  Disordered  Materials
■260    ▼a[Sl]▼bCarnegie  Mellon  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a119  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Wang,  Gerald  J.;Acharya,  Amit.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2025.
■520    ▼aTopological  defects  are  fundamental  features  of  liquid  crystalline  materials  that  play  crucial  roles  in  determining  their  mechanical,  optical,  and  rheological  properties.  Current  computational  techniques  for  identifying  these  defects  in  particle-based  simulations  rely  primarily  on  Q-tensor  theory  and  local  order  parameters,  which  do  not  fully  exploit  the  underlying  topological  structure  of  the  system.  This  work  introduces  a  novel  globally  consistent  vector  field  approach  for  identifying  disclination  cores  in  liquid  crystalline  materials  that  is  inherently  sensitive  to  the  underlying  topological  structure.Our  method  assigns  a  unique  vector  to  each  mesogen,  effectively  extending  the  concept  of  the  liquid  crystal  director  field  down  to  individual  mesogen  scales  while  maintaining  global  consistency.  In  systems  containing  disclination  cores,  this  consistent  vector  field  approach  identifies  line  segments  in  two-dimensional  assemblies  and  quasi-two-dimensional  surfaces  in  three-dimensional  assemblies  along  which  the  assigned  vector  field  exhibits  discontinuities,  with  cores  located  at  the  interior  termination  points  of  these  structures.  By  identifying  discontinuities  in  an  assigned  vector  field,  the  presence  of  defects  can  be  detected  by  analyzing  regions  far  from  the  defect  cores  themselves,  making  the  method  robust  to  local  noise  and  data  gaps.We  validate  this  approach  by  comparing  our  results  to  those  obtained  using  the  scalar  order  parameter  for  various  liquid  crystalline  assemblies  from  molecular-dynamics  simulations,  including  both  synthetic  defect  geometries  and  realistic  multiple-defect  systems.  Our  analysis  reveals  several  key  advantages  of  the  consistent  vector  field  approach  over  existing  methods:  (1)  earlier  detection  of  defect  core  splitting  in  integer-charge  defects,  (2)  ability  to  infer  defect  presence  even  when  data  near  the  core  is  unavailable,  and  (3)  finer  spatial  resolution  in  defect  identification.  These  capabilities  demonstrate  that  our  method  truly  captures  the  topological  features  of  the  data  and  provides  a  more  robust  framework  for  defect  analysis  in  liquid  crystalline  materials.Additionally,  we  extend  our  topological  approach  to  amorphous  glassy  materials,  which  lack  both  positional  and  orientational  order.  We  develop  a  continuum  framework  that  identifies  structural  defects  through  the  construction  of  local  stress-free  reference  frames  and  the  evolution  of  an  inverse  elastic  distortion  tensor.  This  approach  captures  persistent  topological  signatures  of  plasticity  even  in  the  absence  of  significant  atomic  motion,  providing  insights  into  the  fundamental  mechanisms  of  plastic  deformation  in  disordered  materials.Our  work  establishes  a  unified  framework  for  topological  defect  identification  across  both  ordered  and  disordered  materials,  opening  new  avenues  for  understanding  the  relationship  between  microstructure  and  macroscopic  material  properties.
■590    ▼aSchool  code:  0041.
■650  4▼aEnvironmental  engineering
■653    ▼aComputational  mechanics
■653    ▼aDiscrete  geometry
■653    ▼aMolecular  dynamics
■653    ▼aStatistical  physics
■653    ▼aTopological  defects
■690    ▼a0543
■690    ▼a0775
■71020▼aCarnegie  Mellon  University▼bCivil  and  Environmental  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359689▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books