MARC

 008260126s2023        us                              c    eng  d
■001000017360596
■00520260202105553
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263397227
■035    ▼a(MiAaPQ)AAI32315796
■035    ▼a(MiAaPQ)GeorgiaTech75129
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620.11
■1001  ▼aLiu,  Aaron  Li.
■24510▼aEnabling  Data-Driven  Experimentation  for  High-Performance  Polymer  Thin  Film  Formulations
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a204  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Grover,  Martha;Meredith,  Carson;Reichmanis,  Elsa.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2023.
■520    ▼aPolymer  thin  films  are  a  ubiquitous  class  of  materials,  as  they  demonstrate  unprecedented  performance  in  countless  modern  applications  spanning  electronics,  coatings,  composites,  clean  energy,  packaging,  and  more.  However,  their  final  formulations  are  time-consuming  to  optimize  through  trial-and-error,  as  they  are  generated  from  a  myriad  of  component  choices  and  processing  histories.  While  the  advent  of  data  science  approaches  has  uncovered  the  promise  of  polymer  informatics  to  accelerate  new  developments  in  polymer  research,  several  challenges  exist  in  adopting  data-driven  approaches  effectively  for  the  experimentation  of  polymer  thin  films.  A  foremost  challenge  is  the  low  availability  of  experimental  data,  pertaining  to  the  relevant  process-structure-property  relationships,  that  would  yield  the  requisite  knowledge  necessary  to  construct  precise  models.  "Small  data"  is  an  inherent  problem  for  polymer  thin  film  formulations;  because  their  figures  of  merit  are  performance-based  and  often  application-specific,  parameter  spaces  are  large,  and  reported  data  is  inconsistent  and  sparse.  To  bridge  the  small  data  gaps  that  preclude  the  broader  adoption  of  polymer  informatics,  this  body  of  work  details  a  series  of  case  studies,  spanning  polymer  stabilizers,  composite  blends,  and  organic  electronics,  addressing  objectives  that  exemplify  the  broad  challenges  associated  with  accelerated  development  of  polymer  formulation  technologies.The  chapters  within  this  dissertation  address  objectives  that  exemplify  the  broad  challenges  associated  with  enabling  data-driven  development  of  polymer  formulations.  First,  when  small  datasets  are  inevitable,  the  incorporation  of  "small  data  analytics"  approaches  on  small  datasets  provides  a  crucial  foundation  in  extracting  preliminary  domain  knowledge  and  informing  future  experimental  work  toward  richer  datasets.  This  thrust  is  demonstrated  through  a  case  study  focusing  on  polymer  stabilizer  candidate  discovery  through  descriptor  calculation,  domain  knowledge  extraction,  and  machine  learning  on  a  small  dataset  extracted  from  a  patent.  Second,  while  generating  a  larger  amount  of  data  through  automated  approaches  is  a  prevalent  area  of  interest  for  materials  and  polymer  informatics,  process  constraints  must  be  overcome  to  enable  a  broader  adoption  of  high-throughput  experimental  methodologies.  A  major  contribution  to  this  goal  is  detailed  in  the  design  and  implementation  of  a  composition  gradient  thin  film  methodology  that  can  handle  systems  at  a  variety  of  volume  scales  and  temperature  ranges,  demonstrated  through  the  interrogation  of  process-structure-property  relations  in  polypropylene/polystyrene  and  poly(3-hexylthiophene-2,5-diyl)/polystyrene  blend  formulations.  Finally,  evolving  polymer  informatics  to  "big  data"  requires  the  development  of  robust  data  models  and  database  structures  that  are  representative  of  the  complex,  realworld  parameter  spaces  associated  with  sample  records,  such  that  their  provenance  and  processing  details  can  be  fully  captured  in  a  given  materials  sub-domain.  The  final  chapter  demonstrates  a  data  management  model  for  organic  thin  film  transistors  and  implements  it  as  an  example  system  in  polymer-based  electronics,  with  the  goal  of  promoting  data  management  practices  across  other  domains.  Overall,  this  body  of  work  features  the  rational  integration  of  small-data  analytics,  high-throughput  experimentation,  and  database  design  as  key  factors  in  enabling  holistic  data-driven  methodologies  for  experimental  materials  development,  particularly  for  polymer  thin  films.
■590    ▼aSchool  code:  0078.
■650  4▼aMaterials  research
■650  4▼aSemiconductors
■650  4▼aProtective  coatings
■650  4▼aGenomes
■650  4▼aData  science
■650  4▼aElectronics
■650  4▼aEffluents
■650  4▼aExpenditures
■650  4▼aThin  films
■650  4▼aViscosity
■650  4▼aAdditives
■650  4▼aSolvents
■650  4▼aDesign
■650  4▼aReynolds  number
■650  4▼aDigital  technology
■650  4▼aCondensed  matter  physics
■650  4▼aFluid  mechanics
■650  4▼aGenetics
■650  4▼aIndustrial  engineering
■650  4▼aMaterials  science
■690    ▼a0389
■690    ▼a0800
■690    ▼a0611
■690    ▼a0204
■690    ▼a0369
■690    ▼a0546
■690    ▼a0794
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360596▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서