MARC

 008260203s2023        us                              c    eng  d
■001000017365955
■00520260209102902
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265405272
■035    ▼a(MiAaPQ)AAI32315541
■035    ▼a(MiAaPQ)GeorgiaTech73099
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a000
■1001  ▼aLiu,  Yifan.
■24510▼aDesign  of  Organic-Inorganic  Hybrid  Membranes  Using  Density  Functional  Theory  and  Machine  Learning
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a165  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Ramprasad,  Rampi.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2023.
■520    ▼aNovel  organic-inorganic  hybrid  membranes  processed  through  vapor  phase  infiltration  (VPI)  incorporate  the  advantages  of  both  organic  and  inorganic  materials.  Compared  to  conventional  organic  membranes,  these  hybrid  materials  offer  significant  improvements  in  stability  when  exposed  to  organic  solvents  while  retaining  desirable  membrane  properties  such  as  high  permeability  and  selectivity.  However,  the  extensive  design  space  involved  in  developing  such  membranes,  which  encompasses  polymer  chemistry,  inorganic  chemistry,  and  hybrid  microstructures,  poses  challenges  to  traditional  trial  and  error  methods.  To  surmount  these  obstacles,  this  work  develops  a  more  efficient  and  systematic  approach.  It  involves  three  steps  that  leverage  density  functional  theory  (DFT)  and  machine  learning  (ML)  to  develop  the  knowledge  and  tools  necessary  to  predict  and  explore  novel  VPI  organic-inorganic  membranes:1.  This  research  entails  an  in-depth  investigation  into  the  interactions  between  three  metal  precursors  and  the  prototype  polymer  of  intrinsic  microporosity  1  (PIM-1)  during  the  VPI  process.  Our  primary  objective  was  to  identify  crucial  characteristics  of  polymer-inorganic  interactions,  decipher  structure-property  relationships,  and  unveil  significant  properties  that  could  contribute  to  ML  model  predictions  for  future  materials  selection.  Our  work  uncovered  two  atomic-level  mechanisms  for  solvent  stability.2.  An  ML-based  tool  predicting  sublimation  enthalpy  was  developed  to  aid  chemistry  selection  and  experimental  design  for  precursors.  Initial  training  used  a  comprehensive  DFT  dataset  of  organic  molecules  constructed  in  this  work  due  to  a  lack  of  metal  precursor  parameters  in  the  literature.  As  new  data  emerged,  an  active  learning  algorithm  incorporated  new  chemical  species  into  the  model,  dynamically  improving  its  accuracy  and  expanding  its  applicability.3.  An  ML  model,  incorporating  multi-task  learning  and  meta-learning,  was  trained  on  a  new  DFT  dataset  to  predict  binding  energy  between  metal  precursors  and  polymers.  This  enhanced  the  understanding  of  polymer-inorganic  interactions'  strength  and  stability,  aiding  in  the  selection  of  potential  precursors.  The  model  provides  a  promising  route  for  informed  precursor  selection,  VPI  process  optimization,  and  the  design  of  hybrid  materials  with  custom  properties.This  foundational  work  provides  automated  and  effective  tools  for  the  design  and  development  of  VPI  organic-inorganic  hybrid  membranes,  leveraging  the  combined  capabilities  of  DFT  and  ML.  The  predictive  models  developed  here  can  be  employed  alongside  the  insights  derived  from  our  atomic-level  mechanistic  studies  in  the  selection  of  suitable  polymers  and  metal  precursors  for  designing  energy-efficient  organic-inorganic  hybrid  membranes  for  chemical  separation.  In  addition,  the  DFT  database  and  ML  models  developed  in  this  project  serve  as  valuable  instruments  to  be  utilized  by  researchers  for  future  studies  on  the  sublimation  enthalpy  and  binding  energy  of  organic-inorganic  systems,  facilitating  further  advancements  in  the  field  of  material  science.  This  thesis  presents  and  executes  a  methodical  framework  through  which  future  models  can  be  developed  for  the  exploration  of  novel  material  spaces.
■590    ▼aSchool  code:  0078.
■650  4▼aHeat  treating
■650  4▼aHumidity
■650  4▼aCarbon
■650  4▼aAdsorption
■650  4▼aWater
■650  4▼aHollow  fiber  membranes
■650  4▼aAluminum
■650  4▼aEnergy
■650  4▼aThermodynamics
■690    ▼a0791
■690    ▼a0800
■690    ▼a0348
■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=T17365955▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서