MARC

 008260126s2025        us                              c    eng  d
■001000017360454
■00520260202105529
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263340445
■035    ▼a(MiAaPQ)AAI32309803
■035    ▼a(MiAaPQ)GeorgiaTech77823
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a547.14
■1001  ▼aAmrihesari,  Mona.
■24510▼aData-Driven  Approaches  for  Predicting  Polymer  Solution  Phase  Behavior:  Integrating  High-Throughput  Experimentation  and  Machine  Learning
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a338  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Brettmann,  Blair.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2025.
■520    ▼aAs  artificial  intelligence  (AI)  and  machine  learning  (ML)  continue  to  advance,  datadriven  approaches  are  increasingly  used  to  uncover  complex  phenomena  across  variousfields,  including  polymer  science.  However,  the  effectiveness  of  these  methodsfundamentally  depends  on  the  availability,  structure,  and  quality  of  data.  In  polymerscience,  the  lack  of  comprehensive  datasets  presents  a  significant  challenge,  as  polymersare  highly  sensitive  to  chemical,  physical,  and  measurement  parameters.  Among  polymerproperties,  solubility  is  of  particular  interest,  as  homogeneous  polymer  solutions  serve  asthe  foundation  for  numerous  industrial  applications,  including  pharmaceuticals,  plasticrecycling,  and  membrane  science.  However,  polymer  solubility  is  influenced  by  multiplefactors-such  as  molecular  weight,  concentration,  morphology,  and  temperature-whichare  not  always  reported  in  existing  datasets.  To  fully  harness  the  potential  of  AI/ML  in  thisdomain,  this  thesis  develops  experimental  methods  to  systematically  measure  polymersolubility  with  high  precision  and  detail.  By  generating  a  comprehensive  dataset  thatcaptures  key  influencing  factors,  this  work  bridges  the  existing  data  gap  and  advancessolubility  prediction  using  fully  experimental  data  and  precipitation  kinetics-an  area  thathas  not  previously  been  explored  through  data-driven  approaches  using  machine  learning.The  integration  of  well-structured  experimental  data  with  predictive  modeling  advancespolymer  informatics  while  providing  a  valuable  framework  for  accelerating  materialsdesign  and  optimizing  industrial  applications.This  thesis  first  explores  the  design  of  experimental  methods  for  measuringpolymer  solubility  using  a  parallel  crystallizer,  focusing  on  the  effects  of  key  experimental  parameters-including  temperature  ramp  rate,  hold  temperature,  hold  period,  and  mixingspeed-on  turbidity  measurements.  Through  the  development  of  a  standardized  method,this  work  demonstrates  the  potential  for  high-throughput  data  collection.  While  thistechnique  may  not  be  universally  optimal,  it  provides  a  balance  between  speed,  structuralinsights,  and  precise  temperature  control,  making  it  particularly  useful  for  industrialapplications  where  rapid  and  reliable  solubility  measurements  are  essential.Using  machine  learning  (ML)  techniques,  this  thesis  demonstrates  the  impact  ofwell-structured  experimental  data  on  predicting  polymer  solubility  as  a  function  ofconcentration  and  temperature,  leveraging  state-of-the-art  ML  models.  This  workhighlights  how  detailed  data  enhances  solubility  predictions  beyond  a  simple  binaryclassification  of  "soluble"  or  "insoluble,"  enabling  more  nuanced,  quantitative  insights.Furthermore,  integrating  kinetic  information  provides  a  valuable  framework  for  capturingsolubility  behavior  over  time,  facilitating  data  collection  under  dynamic  conditions.Additionally,  targeted  data  collection  across  a  broader  range  of  polymers  and  solventssignificantly  improves  the  generalizability  of  ML  models,  ensuring  more  robust  andreliable  predictions  across  diverse  polymer-solvent  systems.As  research  moves  toward  fully  automated  laboratories  for  materials  design,  thisthesis  also  presents  the  development  of  an  extraction  model  utilizing  two  experimentallydefined  parameters  to  study  precipitation  kinetics  in  polymer  solutions.  The  effectivenessof  such  models  relies  not  only  on  their  structural  design-requiring  interdisciplinaryexpertise-but  also  on  an  iterative  validation  process  to  continuously  refine  the  quality  ofextracted  data.The  findings  of  this  thesis  demonstrate  that  standardizing  experimental  methods  forpolymer  solubility  measurements  enables  the  generation  of  high-quality  datasets  forpredicting  both  solubility  and  precipitation  in  polymer-solvent  systems.  This  work  alsocontributes  a  comprehensive  turbidity  dataset  comprising  1,000  unique  polymer-solventcombinations,  along  with  an  extraction  model  for  precipitation  kinetics,  providing  avaluable  foundation  for  future  studies  in  polymer  informatics.
■590    ▼aSchool  code:  0078.
■650  4▼aPolymer  solubility
■650  4▼aUser  interface
■650  4▼aCooling
■650  4▼aTemperature  effects
■650  4▼aSolvents
■650  4▼aKinetics
■650  4▼aMolecular  weight
■650  4▼aStructured  Query  Language-SQL
■650  4▼aPolyethylene  glycol
■650  4▼aReproducibility
■650  4▼aPolymer  chemistry
■690    ▼a0800
■690    ▼a0495
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360454▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books