Loading...

Accelerating Discovery of MOFs for Hydrogen Storage via Machine Learning in Energy Related Applications

Fallah Kheirandish, Saeed | 2025

0 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 58055 (06)
  4. University: Sharif University of Technology
  5. Department: Chemical and Petroleum Engineering
  6. Advisor(s): Ghotbi, Sirus; Lotfi, Marzyeh; Larimi, Afsaneh; Asgharinezhad, Ali
  7. Abstract:
  8. The quest for sustainable energy solutions has positioned hydrogen as a pivotal alternative fuel due to its clean emission profile, producing only water vapor and heat. However, efficient hydrogen storage remains a formidable challenge due to its low energy density at standard conditions. Metal-Organic Frameworks (MOFs) offer a promising solution due to their high surface area, tunable pore structures, and reversible adsorption properties. This study leverages computational screening and machine learning (ML) methodologies to identify high-capacity MOFs for hydrogen storage. We utilized a large dataset of known and hypothetical MOFs from comprehensive databases and employed advanced neural network models—Feed-Forward Neural Network (FNN) and Pattern Recognition Neural Network (PRNN)—optimized using Equilibrium Optimizer (EO) and Genetic Algorithm (GA). The models were calibrated against Grand Canonical Monte Carlo (GCMC) simulations to predict gravimetric and volumetric hydrogen storage capacities. Results indicated that features such as pore volume (PV) and void fraction (VF) are strongly predictive of hydrogen uptake, aligning with established trends in gas adsorption studies. The FNN model demonstrated superior predictive accuracy for gravimetric capacity, while the PRNN excelled in capturing complex patterns for volumetric capacity. A subset of top-performing MOFs was identified, surpassing benchmarks such as MOF-5 in hydrogen capacity. This approach underscores the synergy between computational screening and ML in advancing the discovery of efficient hydrogen storage materials and informs future experimental prioritization
  9. Keywords:
  10. Hydrogen Storage ; Metal-Organic Framework ; Artificial Neural Network ; Grand Canonical Monte Carlo (GCMC)Simulation ; Database ; Absorptive Capacity ; Machine Learning

 Digital Object List

 Bookmark

  • 1 مقدمه
    • 1-1 هیدروژن
    • 1-2 کریستال های فلزی
    • 1-3 هدف پایان نامه
  • 2 فصل دوم : مبانی نظری و پیشینه پژوهش
    • 2-1 تاثیر ویژگیهای بافتی چارچوب بروی جذب هیدروژن
    • 2-2 تاثیر گرمای جذب در جذب هیدروژن
    • 2-3 ظهور هوش مصنوعی در شناسایی چارچوبهای آلی -فلز
    • 2-4 روشهای محاسباتی و اعتبار آنها در مقابل آزمایشات تجربی
    • 2-5 رویکرد محاسباتی در کشف ساختارهای آلی – فلزی
    • 2-6 تنوع ساختاری در رویکرد محاسباتی
    • 2-7 میدانهای نیرو
      • 2-7-1 پتانسیل کوتاه برد وان در والسی
      • 2-7-2 پتانسیل برد بلند کولمبیک
    • 2-8 شبیه سازی جذب مونت کارلو[100]
    • 2-9 یادگیری ماشین
    • 2-10 ملاحظات محاسباتی
    • 2-11 پایگاههای داده
      • 2-11-1 پایگاه داده کمبریج(CSD) [67]
      • 2-11-2 پایگاه داده CORE
      • 2-11-3 پایگاه داده ساختارهای آلی-فلز فرضی
    • 2-12 معرفی توصیف گرها برای یادگیری در شناسایی ساختارهای آلی -فلز
      • 2-12-1 توصیف‌گرهای مرتبه اول کلیدی مرتبط با کاربردهای گاز[9]
      • 2-12-2 اهداف مهندسی ویژگی
    • 2-13 تئوری جذب گاز
    • 2-14 ایزوترم جذب گاز
    • 2-15 مدل توصیف جذب گاز
      • 2-15-1 مدل لانگمویر
      • 2-15-2 مدل BET
    • 2-16 جذب اضافی و کلی
    • 2-17 ظرفیت کاری
    • 2-18 پایداری چارچوب
    • 2-19 ظرفیت مبتنی برسیستم
    • 2-20 شرایط کاری نوسان فشار و دما [8]
  • 3 فصل سوم : روش پژوهش
    • 3-1 پایگاه داده بکار رفته در پژوهش
    • 3-2 توصیفگرهای (ورودی اولیه) مدل
      • 3-2-1 انتخاب توصیف‌گرها و منطق انتخاب
      • 3-2-2 پیش‌پردازش داده‌ها
      • 3-2-3 تحلیل همبستگی ویژگی‌ها
      • 3-2-4 اعتبارسنجی و ارزیابی مدل
    • 3-3 محاسبات بهینه سازی و جذب توسط Material Studio BIOVIA
      • 3-3-1 روش مونت کارلو در جذب هیدروژن
    • 3-4 شبکه عصبی مصنوعی
      • 3-4-1 توسعه شبکه عصبی پیش بینی کننده
      • 3-4-2 داده های شبکه عصبی
      • 3-4-3 توسعه شبکه عصبی
      • 3-4-4 تعریف مسئله بهینه یابی دستیابی به معماری بهینه شبکه
      • 3-4-5 الگوریتم بهینه یاب بکارگیری شده
      • 3-4-6 سایر تنظیمات شبکه عصبی
      • 3-4-7 نقش بهینه ساز در یادگیری عمیق
      • 3-4-8 بهینه‌سازهای فراابتکاری
      • 3-4-9 مروری بر فرآیند استفاده ازشبکه عصبی مصنوعی
      • 3-4-10 بهینه‌سازی معماری با الگوریتم‌های فراابتکاری(EO/GA )
  • 4 فصل چهارم : تجزیه و تحلیل یافته ها
    • 4-1 مقدمه
    • 4-2 ارزیابی مدل شبکه عصبی
      • 4-2-1 ارزیابی ظرفیت جرمی در شرایط نوسان دما و فشار
      • 4-2-2 ارزیابی ظرفیت حجمی در شرایط فشار و دما
    • 4-3 دلایل خطای بیشتر ظرفیت حجمی در مقابل جرمی
      • 4-3-1 طبیعت سبک ساختارهای آلی -فلز و هیدروژن
    • 4-4 اهمیت ویژگی تک‌متغیره (تک ورودی) جهت شناسایی مهمترین ورودی تاثیرگذار
      • 4-4-1 تحلیل اهمیت ویژگی‌های تک‌متغیره
    • 4-5 ارزیابی دقت مدل با مقایسه مونت کارلو
    • 4-6 شناسایی ساختارهای آلی - فلز برتر
    • 4-7 آنالیز قابلیت سنتز پذیری
      • 4-7-1 تجزیه و تحلیل مقایسه ای قابلیت سنتز بین hMOF-500 و MOF-5
    • 4-8 فرآیند بهینه سازی hMOF-500 با استفاده از BIOVIA Material Studio
    • 4-9 شبیه سازی ایزوترم جذب برای hMOF-500
    • 4-10 شناسایی چارچوب از پایگاه داده QMOF
      • 4-10-1 غربالگری برای چارچوب های قابل سنتز
      • 4-10-2 شناسایی چارچوب از پایگاه داده QMOF
  • 5 نتیجه گیری و پیشنهادات
    • 5-1 مراجع
  • 6 اطلاعات تکمیلی
    • 6-1 اطلاعات تخصصی از جزئیات hMOF-500
    • 6-2 جزئیات اطلاعات بهینه سازی ساختار توسط متریال استودیو
    • 6-3 مشخصات ایزوترم جذب در سیکلهای معین توسط متریال استودیو
    • 6-4 ساختارهای پیش بینی شده توسط مدل شبکه عصبی مصنوعی
...see more