E-Locus - Ιδρυματικό Καταθετήριο Πανεπιστημίου Κρήτης - From potential energy surface to gas adsorption via deep learning

Αρχική From potential energy surface to gas adsorption via deep learning

Αποτελέσματα - Λεπτομέρειες

[Προσθήκη στο καλάθι]

Κωδικός Πόρου

000463155

Τίτλος

From potential energy surface to gas adsorption via deep learning

Άλλος τίτλος

Από τη δυναμική ενεργειακή επιφάνεια στην προσρόφηση αερίων μέσω βαθιάς μάθησης

Συγγραφέας

Σαρικάς, Αντώνιος Π.

Σύμβουλος διατριβής

Φρουδάκης, Γεώργιος

Μέλος κριτικής επιτροπής

Τρικαλίτης, Παντελής
Νεοχωρίτης, Κωνσταντίνος

Περίληψη

Τα μεταλο-οργανικά πλέγματα, ή εν συντομία MOFs, λόγω των μεγάλων επιϕανειών τους, θεωρούνται πολλά υποσχόμενα υλικά για εϕαρμογές που περιλαμβάνουν προσρόϕηση αεριών. Ωστόσο, η συνδυαστική ϕύση τους μεταϕράζεται σε έναν πρακτικά άπειρο χώρο υλικών, καθιστώντας επίπονη την ταυτοποίηση καινοτόμων υλικών με παραδοσιακές τεχνικές. Τα τελευταία χρόνια, προσεγγίσεις μηχανικής μάθησης έχουν αναπτυχθεί, επιτρέποντας στους ερευνητές να ϕιλτράρουν σε πολύ μικρό χρόνο τεράστιες βάσεις δεδομένων από MOFs με τη βοήθεια προβλεπτικών μοντέλων. Η ποιότητα των τελευταίων εξαρτάται σε μεγάλο βαθμό από την μαθηματική αναπαράσταση του υλικόυ, με αποτέλεσμα να είναι αναγκαία η χρήση εισόδων που περιγράϕουν κατάλληλα το υλικό. Σε αυτήν την εργασία, προτείνουμε ένα γενικευμένο σχήμα για την πρόβλεψη ιδιοτήτων προσρόϕησης, χρησιμοποιώντας ως μόνη είσοδο τη δυναμική ενεργειακή επιϕάνεα. Θεωρούμε την τελευταία ως μια ₃D ενεργειακή εικόνα και την περνάμε μέσα από ένα ₃D συνελικτικό νευρωνικό δίκτυο, γνωστό για την ικανότητα του να επεξεργάζεται εικόνες. Η προτεινόμενη μέθοδος εϕαρμόζεται σε MOFs για την πρόβλεψη προσρόϕησης διοξειδίου του άνθρακα. Το μοντέλο που προκύπτει ξεπερνά σε απόδοση ένα συμβατικό μοντέλο που χρησιμοποιεί μόνο γεωμετρικά χαρακτηριστικά. Επιπρόσθετα, δείχνεται ότι η μέθοδος μπορεί να εϕαρμοστεία σε διαϕορετικά συστήματα αερίων-υλικών, εξετάζοντας την προσρόϕηση μεθανίου σε ομοιοπο- λικά οργανικά πλέγματα. Η ακρίβεια και ο γενικός χαρακτήρας της προτεινόμενης μεθόδου, την καθιστούν κατάλληλη για ϕιλτράρισμα μεγάλης κλίμακας.

Φυσική περιγραφή

94 σ. : πίν., σχήμ., εικ. ; 30 εκ.

Γλώσσα

Αγγλικά

Θέμα

Machine learning

Porous materials

Μηχανική μάθηση

Πορώδη υλικά

Ημερομηνία έκδοσης

2024-03-21

Συλλογή