Unveiling the SF₆/N₂ and CH₄/H₂separation potential of MOFs via ıntegrated molecular simulations and machine learning

Metal-organik çerçeveler (MOF'lar), geniş yüzey alanları, yüksek gözeneklilikleri ve ayarlanabilir yapısal özellikleri sayesinde adsorpsiyon ve membran tabanlı gaz ayrımı uygulamaları için güçlü adaylar haline gelmiştir. Ancak, hem deneysel olarak sentezlenmiş (>128000) hem de hesaplamalı yöntemlerle oluşturulmuş hipotetik MOF'ların (>1 milyon) sayısının hızla artması, geleneksel yöntemlerle sistematik performans değerlendirmesini önemli ölçüde zorlaştırmaktadır. Bu tez, SF₆/N₂ ve CH₄/H₂ ayrımları için geniş yapısal veri tabanları üzerinde MOF'ların gaz adsorpsiyon ve ayırma özelliklerini araştırmak amacıyla moleküler simülasyonlar ve makine öğrenmesi (ML) yöntemlerini birleştiren veri odaklı, çok ölçekli bir hesaplamalı strateji sunmaktadır. Tezin ilk bölümünde, 25000'den fazla sentezlenmiş ve varsayımsal MOF üzerinde büyük kanonik Monte Carlo (GCMC) simülasyonları gerçekleştirilerek SF₆/N₂ adsorpsiyon ve ayırma performansları değerlendirilmiştir. Sentezlenmiş MOF'lara ait simülasyon verileri kullanılarak ML modelleri eğitilmiş ve bu modeller, gaz tutma kapasitesi, seçicilik, çalışma kapasitesi, adsorban performans skoru ve rejenerasyon kabiliyeti gibi özellikleri tahmin etmek amacıyla hipotetik MOF'lara uygulanmıştır. Yapılan analizler, en yüksek performansa sahip malzemelerde etkili olan temel yapısal ve kimyasal özellikleri ortaya koymuştur. Tezin ikinci bölümünde benzer bir yaklaşım CH₄/H₂ ayrımı için 126605 MOF üzerinde uygulanmıştır. GCMC simülasyonlarından elde edilen adsorpsiyon verileri; kimyasal, yapısal ve enerjik tanımlayıcılara dayalı ML modellerinin geliştirilmesinde kullanılmıştır. Bu modeller hipotetik MOF'lara uygulanarak CH₄ seçiciliği yüksek olan adaylar hızlı şekilde belirlenmiştir. Tezin üçüncü bölümünde ise difüzyona dayalı membran ayrımı ele alınmış ve MOF'ların CH₄ ve H₂ difüzyon katsayılarını hesaplamak için moleküler dinamik (MD) simülasyonları gerçekleştirilmiştir. Simülasyon sonuçlarıyla eğitilen ML modelleri, kolayca hesaplanabilen tanımlayıcıları kullanarak tüm veri tabanı için difüzyon değerlerini başarıyla tahmin etmiştir. Bu tahminler, membran performansının seçicilik ve geçirgenlik açısından değerlendirilmesinde kullanılmış ve moleküler parmak izi analizleri aracılığıyla yapı-performans ilişkileri ortaya konmuştur. Bu tez kapsamında elde edilen bulgular, moleküler simülasyonların makine öğrenmesi ile entegre edilmesinin MOF'ların gaz ayrımı uygulamaları için yüksek verimli taranmasını mümkün kıldığını göstermektedir. Geliştirilen modeller ve elde edilen çıkarımlar, bir sonraki nesil MOF tabanlı adsorban ve membranların keşfi ile rasyonel tasarım süreçlerini hızlandırmak için sağlam bir temel sunmaktadır.