Cof world: Computational discovery of covalent organic frameworks for gas storage and separation applications by integrating molecular simulations and machine learning
Cof dünyası: Moleküler simülasyonlar ve makine öğrenmesini entegre ederek gaz depolama ve ayırma uygulamaları için kovalent organik iskeletlerin (cof'ların) hesaplamalı keşfi
- Tez No: 999604
- Danışmanlar: PROF. DR. SEDA KESKİN AVCI
- Tez Türü: Doktora
- Konular: Kimya Mühendisliği, Chemical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Kimya ve Biyoloji Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kovalent organik yapılar (COF'lar), yüksek yüzey alanları, yapısal çeşitlilikleri ve iyi termal ile kimyasal kararlılıkları sayesinde adsorpsiyon ve membran temelli gaz ayırma süreçleri için çok yönlü bir malzeme sınıfı olarak ortaya çıkmıştır. Sentezlenen COF sayısı hızla artmasına rağmen, bunların yalnızca sınırlı bir kısmı endüstriyel açıdan önemli ayırmalar için değerlendirilmiş olup, bilgisayar ortamında oluşturulan hipotetik COF'lardan (hypoCOF'lar) oluşan çok daha geniş malzeme uzayı ise büyük ölçüde taranmamış durumdadır. Bu tez, COF malzeme kümesi boyunca ayırma performansını nicel olarak belirlemek ve malzeme keşfi için aktarılabilir yapı-özellik ilişkileri kurmak amacıyla grand canonical Monte Carlo (GCMC) simülasyonları, moleküler dinamik (MD) simülasyonları ve makine öğrenmesini (ML) bütünleştiren yüksek verimli, çok ölçekli bir hesaplamalı çerçeve geliştirmektedir. Birinci bölümde, ~300 sentetik COF ve ~5000 hipotetik COF için adsorpsiyon ve membran temelli H2/CO2 ayrımı GCMC ve MD simülasyonları kullanarak nicel olarak incelenmiştir. Sonuçlar, birçok COF'un adsorpsiyon seçiciliği ve çalışma kapasitesi bakımından geleneksel adsorbanlardan daha iyi performans verdiğini göstermiştir. Ayrıca, birçok COF membranının, yüksek H2 geçirgenlikleri sayesinde Robeson'un üst sınırını aştığı ortaya koyulmuştur. İkinci bölümde, doğal gaz arıtımını incelemek amacıyla altı bileşenli bir gaz karışımı modellenmiş olup, ~600 sentetik COF ile ~3000 hipotetik COF'un adsorpsiyon temelli ayırma potansiyelleri belirlenmiştir. Sonuçlar, bu malzemelerin zeolitler, aktif karbonlar ve karbon nanotüpler de dahil olmak üzere çeşitli geleneksel adsorbanlardan daha iyi performans gösterebildiğini ortaya koymuştur. Üçüncü ve dördüncü bölümlerde, eşmol CH4/H2 ve CO2/CH4 gaz karışımlarının adsorpsiyon temelli ayrımı için, basınç salınımlı adsorpsiyon (PSA), vakum salınımlı adsorpsiyon (VSA), sıcaklık salınımlı adsorpsiyon (TSA) ve basınç-sıcaklık salınımlı adsorpsiyon (PTSA) gibi çeşitli proses koşulları altında, ~70000 COF ve hypoCOF ML ile bütünleşmiş hesaplamalı yöntemlerle taranmıştır. Yüksek adsorpsiyon seçicilikleri ve çalışma kapasiteleri elde eden ve sentetik COF'lar ile MOF'lardan daha iyi performans gösteren çok sayıda hypoCOF belirlenmiştir. Son iki bölümde ise, geniş COF malzeme uzayını (~70000 COF ve hypoCOF) bütünüyle keşfetmeyi amaçlayan“COF Space”kavramı ortaya koyulmuştur. COF'lar ve hypoCOF'ların adsorpsiyon ve membran temelli ayırma performanslarını hızlı ve güvenilir biçimde öngörebilen ML modelleri geliştirerek, geleneksel simülasyonlara hesaplama açısından verimli bir alternatif sunulmuştur. Bu ML temelli tarama stratejisini kullanarak, tüm COF malzeme uzayı sistematik olarak üç küme itibariyle haritalanmıştır: (i) beş farklı gaz için (CO2, CH4, H2, N2 ve O2) adsorpsiyon özellikleri, (ii) altı endüstriyel açıdan önemli gaz karışımı (CO2/CH4, CO2/N2, CO2/H2, CH4/H2, CH4/N2 ve O2/N2) için adsorpsiyon temelli ayırma performansı ve (iii) yedi farklı gaz karışımı (CO2/CH4, CO2/N2, H2/CO2, H2/CH4, H2/N2, O2/N2, N2/CH4) için membran temelli ayırma performansı. Bu tez kapsamında elde edilen bulguların, farklı gaz ayırma uygulamaları için rasyonel COF tasarımına ve hedefe yönelik yeni malzeme geliştirme çalışmalarına da doğrudan katkı sağlaması beklenmektedir.
Özet (Çeviri)
Covalent organic frameworks (COFs) have emerged as a versatile class of porous crystalline materials for adsorption- and membrane-based gas separations owing to their high surface areas, structural diversities, and good thermal and chemical stabilities. Despite the rapidly growing number of synthesized COFs, only a limited fraction has been evaluated for industrially relevant separations, and the much larger space of computer-generated, hypothetical COFs (hypoCOFs) remains largely unexplored. This dissertation describes a high-throughput, multi-scale computational framework integrating grand canonical Monte Carlo (GCMC) simulations, molecular dynamics (MD) simulations, and machine learning (ML) to quantify separation performance of the COF spectrum and to establish transferable structure-property relationships for materials discovery. In the first part, we quantified adsorption-based and membrane-based H2/CO2 separation of ~300 synthesized COFs and ~5000 hypothetical COFs using GCMC and MD simulations. The results showed that many COFs surpass conventional adsorbents in adsorption selectivity and working capacity, while offering high regenerabilities. We also discovered that many COF membranes exceed the Robeson's upper bound thanks to intrinsically high H2 permeabilities. In the second part, we modelled a six-component gas mixture to mimic natural gas purification, to quantify adsorption-based separation potentials of ~600 synthesized COFs and ~3000 hypothetical COFs. Results showed that they can outperform several traditional adsorbents, zeolites, activated carbons, and carbon nanotubes. In the third and fourth parts, we introduced ML-integrated computational screening methodologies to screen ~70000 COF and hypoCOF materials for adsorption-based separations of equimolar CH4/H2 and CO2/CH4 gas mixtures under various cyclic adsorption conditions, such as pressure-swing adsorption (PSA), vacuum-swing adsorption (VSA), temperature-swing adsorption (TSA), and pressure-temperature swing adsorption (PTSA) conditions. Several hypoCOFs were discovered to achieve high adsorption selectivities and working capacities, outperforming synthesized COFs and MOFs. In the final two parts, we introduced the COF Space concept, aiming to fully explore the vast COF materials (~70 000 COFs and hypoCOFs). We established ML models that can rapidly and reliably predict the adsorption- and membrane-based separation performances of COFs and hypoCOFs, providing a computationally efficient alternative to conventional simulations. Using this ML-based screening strategy, we systematically mapped the entire COF material space in terms of (i) their adsorption properties for five different gases (CO2, CH4, H2, N2, and O2), (ii) their adsorption-based separation performance for six industrially relevant gas mixtures (CO2/CH4, CO2/N2, CO2/H2, CH4/H2, CH4/N2, and O2/N2), and (iii) their membrane-based separation performance for seven distinct gas pairs (CO2/CH4, CO2/N2, H2/CO2, H2/CH4, H2/N2, O2/N2, N2/CH4). The findings of this dissertation are therefore expected to directly inform rational COF design and the targeted development of new materials for diverse gas separation applications.
Benzer Tezler
- From supramolecular chemistry to fundamental organic chemistry: Bis-rosette nanotubes and novel molecular frameworks
Supramoleküler kimyadan temel organik kimyaya: İkili rozet nanotüpler ve yeni moleküler yapılar
CANSU İĞCİ
Yüksek Lisans
İngilizce
2017
KimyaOrta Doğu Teknik ÜniversitesiKimya Ana Bilim Dalı
YRD. DOÇ. DR. EMRULLAH GÖRKEM GÜNBAŞ
- Benzin ve doğalgaz motorunun çevrim analizinin matematiksel model ile karşılaştırılması
The Comparison of the cycle analysis of gasoline and natural gas engines with the mathematical model
M.TURGUT ÖZAKTAŞ
- Petrol ve gaz yatırımlarının Monte Carlo Simulasyonu ile değerlendirilmesi
Evaluation of oil and gas investment with Monte Carlo Saimulation
EBRU N. ALPKAYA
- Verex: yapay zeka yaklaşımına dayalı bir tıbbi teşhis programı
Verex: a medical diagnosis program based on artificial itelligence approach (VERtigo EXpert)
MURAT HANEF
Yüksek Lisans
Türkçe
1991
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiDOÇ.DR. MEHMET KORÜREK
- Probabilistic latent factor modelsfor transformative drug discovery
Başlık çevirisi yok
MURAT CAN COBANOGLU