MOFlarin ve MOF temelli kompozitlerin gaz ayırma performanslarının açığa çıkarılmasi amacıyla moleküler simülasyon ve makine öğrenmesinin birleştirilmesi

Metal-organik çerçeveler (MOF'lar), yüksek gözeneklilikleri, geniş yüzey alanları ve kolayca değiştirilebilir yapısal özellikleri sayesinde enerji temelli gaz ayırma zorluklarını çözmek için iyi bilinen bir gözenekli malzeme sınıfı haline geldi. Sentezlenen MOF'ların çok fazla sayıda olması (>125,000) nedeniyle, moleküler simülasyon yöntemleri, MOF'ların ve MOF temelli kompozitlerin gaz ayırma performanslarının değerlendirilmesinde önemli bir rol oynamaktadır. Bu tezde, çeşitli gaz ayırma uygulamaları için çok sayıda ve türde MOF'un ve MOF temelli kompozit malzemelerin performanslarını değerlendirmek için yüksek çıktılı bilgisayarlı tarama (HTCS) ve makine öğrenmesi (ML) yaklaşımlarını birleştirdik. İlk bölümde, hava ayrımına odaklandık ve 5629 MOF membranın ve 78,806 farklı MOF/polimer karışık yataklı membranın (MMM'lerin) O2 ve N2 geçirgenliklerini ve O2/N2 seçiciliklerini hesaplamak için büyük kanonik Monte Carlo (GCMC) ve moleküler dinamik (MD) simülasyonları gerçekleştirdik. Sonuçlarımız, birçok MOF membranının yüksek geçirgenlikleri ve/veya seçicilikleri sayesinde geleneksel polimer membranlar için belirlenen üst sınırı aştığını gösterdi. İkinci bölümde, 5599 MOF membranı ve >180,000 farklı MOF/polimer MMM'ı keşfetmek için 11 farklı gaz ayırma uygulamasına odaklandık. Sonuçlar, birçok MOF'un, polimerlerin hem gaz geçirgenliğini hem de gaz seçiciliğini geliştirerek MMM uygulamaları yapmak için önemli bir fırsat sunduğunu gösterdi. Tüm bu moleküler simülasyon verilerinin elde edilmesi hesaplama açısından zorlu simülasyonlar gerektirdiğinden ve bu çok büyük veri kümesini analiz etmek pratik olmadığından, tezin üçüncü bölümünde, MOF membranlarının ve MOF/polimer MMM'lerin altı farklı gaz ayırma uygulaması için değerlendirilmesini önemli ölçüde hızlandırmak amacıyla makine öğreniminden (ML) yararlandık. Sonuçlar, GCMC ve MD simülasyon verilerine dayanarak eğittiğimiz ML modellerinin, MOF'lardaki He, H2, N2 ve CH4 adsorpsiyon ve difüzyon özelliklerini doğru bir şekilde tahmin ettiğini gösterdi. Dördüncü bölümde, baca gazı ayrımında adsorban olarak kullanılabilecek 1000 farklı MOF'u ve iyonik sıvı (IL)/MOF kompozitlerini incelemek için ML modelleri geliştirdik. IL/MOF kompozitlerinin CO2/N2 seçiciliğini etkileyen en önemli özellikler, ML sonuçları kullanılarak çıkarıldı ve yeni bir IL/MOF kompoziti olan [BMIM][BF4]/UiO-66'yı bilgisayar ortamında tasarlamak için kullanıldı. Bu yeni kompozitin deneysel olarak ölçülen CO2/N2 seçiciliği, ML tarafından tahmin edilenle iyi eşleşti. Son bölümde, su adsorpsiyonuna odaklandık ve çerçeve esnekliğinin bir MOF'un su adsorpsiyon özellikleri üzerindeki etkisini araştırmak için GCMC ve yoğunluk fonksiyonel teorisi (DFT) hesaplamalarını kullandık. Sonuçlar, MOF'un su adsorpsiyonu için yapısal esnekliğini dikkate almanın önemini vurguladı. Bu tezin sonuçları, MOF'lardaki gaz adsorpsiyonunu ve difüzyonunu moleküler düzeyde anlamamızı sağlayacaktır ve çok çeşitli gaz ayırma uygulamaları için daha az zaman ve maliyetle yeni MOF'ların ve MOF temelli kompozitlerin tasarımını kolaylaştıracaktır.