MARC

 008260126s2024        us                              c    eng  d
■001000017361093
■00520260202105705
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263308230
■035    ▼a(MiAaPQ)AAI32409916
■035    ▼a(MiAaPQ)124178
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620.11
■1001  ▼aSingh,  Akash.
■24510▼aDesign  and  Development  of  2D  Materials  Based  Nanocomposites
■260    ▼a[Sl]▼bUniversity  of  Illinois  at  Urbana-Champaign▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a91  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Li,  Yumeng.
■5021  ▼aThesis  (Ph.D.)--University  of  Illinois  at  Urbana-Champaign,  2024.
■520    ▼aIn  the  forefront  of  materials  science,  2D  materials  have  emerged  as  a  captivating  research  domain  over  the  past  two  decades.  Among  these,  graphene  stands  out  as  an  exceptional  2D  material  with  distinctive  mechanical,  thermal,  and  electrical  properties,  making  it  a  critical  component  in  applications  spanning  lightweight  structural  materials,  versatile  coatings,  and  flexible  electronics.  However,  the  high  cost  and  complexity  of  experimental  investigations  have  driven  the  adoption  of  computational  simulations,  particularly  molecular  dynamics  (MD),  to  unveil  the  underlying  microscopic  origins  of  graphene's  unique  properties.  Yet,  such  simulations  have  yielded  varying  results,  owing  to  the  use  of  diverse  empirical  interatomic  potentials  used  in  these  MD  simulations.This  dissertation  aims  to  create  an  accurate  interatomic  potentials  for  2D  materials  like  graphene  by  using  an  artificial  neural  network  (ANN)-based  interatomic  potential.  These  ANN  based  machine  learning  interatomic  potentials  for  graphene  are  trained  from  the  training  data  developed  using  first-principle  based  atomistic  simulations.  Machine  learning  potential  (MLP)  helps  us  to  run  high-fidelity  Molecular  Dynamics  (MD)  simulations  approaching  the  accuracy  of  first  principle  simulations  but  with  a  fraction  of  computational  cost.  These  MLP  enables  larger-scale  simulations  and  extended  timeframes,  thereby  accelerating  the  design,  development  and  discovery  of  novel  graphene/graphene  based  nanomaterials.  Also,  this  dissertation  aims  to  showcase  MLP's  capability  in  estimating  critical  material  properties  of  graphene,  including  coefficient  of  thermal  expansion  (CTE),  lattice  parameters,  Young's  modulus,  yield  strength  with  comparable  accuracy  of  that  of  experimental  and  first-principle  calculations  found  from  previous  literatures.  Remarkably,  MLP's  capability  in  capturing  dominant  mechanisms  governing  the  behaviour  of  CTE  in  graphene,  including  effects  of  changing  lattice  parameters  and  increasing/decreasing  out-of-plane  rippling  with  temperature,  is  a  significant  highlight  of  this  dissertation.  Furthermore,  this  MLP  development  method  can  be  extended  to  other  2D  materials,  promising  to  expedite  research  on  novel  2D  materials  and  their  unique  atomic  structures.Moving  on  to  2D  materials-based  nanocomposites,  in  today's  scientific  and  technological  landscape,  have  assumed  a  position  of  significant  importance.  These  hybrid  material  systems  merge  organic  molecules  with  inorganic  2D  materials,  creating  a  new  dimension  of  functional  materials  with  varied  applications  i.e.  materials  for  photovoltaics,  electronics,  nanotribology  to  aerospace  applications.  The  interfaces  between  these  2D  material  and  polymers  serves  as  prototype  material  systems  for  studying  confinement-induced  phase  transitions  in  2D  material  based  nanocomposites.  Thorough  understanding  of  dynamic  and  static  behaviour  of  atoms  in  these  interfaces  at  small  length  (nanometers)  and  time  scales  (nanoseconds)  is  critical  as  it  material  behaviour  at  this  scale  dictates  overall  material  property  of  the  resulting  material  system.  Thus  understanding  the  interfacial  behaviour  at  atomic  level  will  lead  in  the  development  of  deliberately  engineered  2D  material  and  polymer  based  nanocomposites.  But  till  date,  the  complexities  of  experimental  testing  at  these  small  length  and  time  scales  as  well  as  theoretical  modeling  have  hindered  a  comprehensive  understanding  of  these  hetero-interfaces  and  thereby  our  ability  to  use  these  materials  for  practical  purposes.  To  address  this  issues,  this  dissertation  aims  to  understand  the  behaviour  of  2D  material  and  polymer  at  these  interfaces  using  molecular  dynamics  (MD)  simulations.  By  conducting  MD  simulations  we  focus  on  the  assembly  of  polyethylene  chains  on  surface  of  two  dimensional  MoSe2  sheet  (which  serves  as  a  representative  material  system  in  this  study  to  analyse  the  behaviour  of  2D  material  based  nanocomposites).  All-atom  models  were  created  to  simulate  the  dynamic  assembly  of  n-pentacosane  chains,  which  serves  as  a  proxy  for  polyethylene  in  this  study,  on  the  surface  of  two  dimensional  MoSe2  sheet.  This  study  reveals  that  polyethylene  molecules  starts  crystallizing  from  2D  MoSe2-polyethylene  interface  and  the  crystallization  growth  front  (plane  of  crystallized  polymer  chains)  moves  quickly  towards  the  bulk  polyethylene  chains  starting  from  the  2D  material-polymer  interface.  At  equilibrium,  the  directional  registry  of  polyethylene  chains  on  the  2D  material  surface  happens  through  the  interplay  of  free  energy  of  the  surface,  adhesive  interfacial  interactions,  conformational  entropy,  and  the  presence  of  substrate  corrugation.  The  results  suggests  the  potential  of  2D  materials,  such  as  MoSe2,  as  a  template  for  creating  2D  material-polymer  nanocomposites  with  specific  crystallization  orientations  creating  deliberate  anisotropy  and  thereby  resulting  in  a  material  system  with  tunable  material  properties.
■590    ▼aSchool  code:  0090.
■650  4▼aMaterials  science
■650  4▼aSystems  science
■650  4▼aMechanical  engineering
■650  4▼aApplied  physics
■650  4▼aNanotechnology
■653    ▼a2D  materials
■653    ▼aMachine  learning  potentials  for  graphene
■653    ▼a2D  materials  nanocomposites
■653    ▼aArtificial  neural  network
■653    ▼aMolecular  dynamics
■690    ▼a0794
■690    ▼a0790
■690    ▼a0548
■690    ▼a0652
■690    ▼a0215
■71020▼aUniversity  of  Illinois  at  Urbana-Champaign▼bIndustrial&Enterprise  Sys  Eng.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0090
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361093▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books