Please enable javascript in your browser.
Page
of
0
تسریع شناسایی ساختارهای آلی - فلز جهت ذخیره هیدروژن با رویکرد مبتنی بر یادگیری ماشین
فلاح خیراندیش، سعید Fallah Kheirandish, Saeed
Cataloging brief
تسریع شناسایی ساختارهای آلی - فلز جهت ذخیره هیدروژن با رویکرد مبتنی بر یادگیری ماشین
پدیدآور اصلی :
فلاح خیراندیش، سعید Fallah Kheirandish, Saeed
ناشر :
صنعتی شریف
سال انتشار :
1403
موضوع ها :
ذخیره سازی هیدروژن Hydrogen Storage چارچوب فلز - آلی Metal-Organic Framework شبکه عصبی...
شماره راهنما :
06-58055
Find in content
sort by
page number
page score
Bookmark
1 مقدمه
(11)
1-1 هیدروژن
(11)
1-2 کریستال های فلزی
(14)
1-3 هدف پایان نامه
(16)
2 فصل دوم : مبانی نظری و پیشینه پژوهش
(20)
2-1 تاثیر ویژگیهای بافتی چارچوب بروی جذب هیدروژن
(20)
2-2 تاثیر گرمای جذب در جذب هیدروژن
(23)
2-3 ظهور هوش مصنوعی در شناسایی چارچوبهای آلی -فلز
(24)
2-4 روشهای محاسباتی و اعتبار آنها در مقابل آزمایشات تجربی
(27)
2-5 رویکرد محاسباتی در کشف ساختارهای آلی – فلزی
(28)
2-6 تنوع ساختاری در رویکرد محاسباتی
(30)
2-7 میدانهای نیرو
(30)
2-7-1 پتانسیل کوتاه برد وان در والسی
(31)
2-7-2 پتانسیل برد بلند کولمبیک
(32)
2-8 شبیه سازی جذب مونت کارلو[100]
(33)
2-9 یادگیری ماشین
(36)
2-10 ملاحظات محاسباتی
(37)
2-11 پایگاههای داده
(37)
2-11-1 پایگاه داده کمبریج(CSD) [67]
(38)
2-11-2 پایگاه داده CORE
(39)
2-11-3 پایگاه داده ساختارهای آلی-فلز فرضی
(40)
2-12 معرفی توصیف گرها برای یادگیری در شناسایی ساختارهای آلی -فلز
(41)
2-12-1 توصیفگرهای مرتبه اول کلیدی مرتبط با کاربردهای گاز[9]
(43)
2-12-2 اهداف مهندسی ویژگی
(44)
2-13 تئوری جذب گاز
(45)
2-14 ایزوترم جذب گاز
(48)
2-15 مدل توصیف جذب گاز
(50)
2-15-1 مدل لانگمویر
(51)
2-15-2 مدل BET
(54)
2-16 جذب اضافی و کلی
(56)
2-17 ظرفیت کاری
(57)
2-18 پایداری چارچوب
(58)
2-19 ظرفیت مبتنی برسیستم
(59)
2-20 شرایط کاری نوسان فشار و دما [8]
(60)
3 فصل سوم : روش پژوهش
(63)
3-1 پایگاه داده بکار رفته در پژوهش
(63)
3-2 توصیفگرهای (ورودی اولیه) مدل
(65)
3-2-1 انتخاب توصیفگرها و منطق انتخاب
(66)
3-2-2 پیشپردازش دادهها
(66)
3-2-3 تحلیل همبستگی ویژگیها
(67)
3-2-4 اعتبارسنجی و ارزیابی مدل
(67)
3-3 محاسبات بهینه سازی و جذب توسط Material Studio BIOVIA
(71)
3-3-1 روش مونت کارلو در جذب هیدروژن
(71)
3-4 شبکه عصبی مصنوعی
(73)
3-4-1 توسعه شبکه عصبی پیش بینی کننده
(73)
3-4-2 داده های شبکه عصبی
(73)
3-4-3 توسعه شبکه عصبی
(74)
3-4-4 تعریف مسئله بهینه یابی دستیابی به معماری بهینه شبکه
(75)
3-4-5 الگوریتم بهینه یاب بکارگیری شده
(76)
3-4-6 سایر تنظیمات شبکه عصبی
(78)
3-4-7 نقش بهینه ساز در یادگیری عمیق
(78)
3-4-8 بهینهسازهای فراابتکاری
(80)
3-4-9 مروری بر فرآیند استفاده ازشبکه عصبی مصنوعی
(80)
3-4-10 بهینهسازی معماری با الگوریتمهای فراابتکاری(EO/GA )
(80)
4 فصل چهارم : تجزیه و تحلیل یافته ها
(83)
4-1 مقدمه
(83)
4-2 ارزیابی مدل شبکه عصبی
(83)
4-2-1 ارزیابی ظرفیت جرمی در شرایط نوسان دما و فشار
(84)
4-2-2 ارزیابی ظرفیت حجمی در شرایط فشار و دما
(84)
4-3 دلایل خطای بیشتر ظرفیت حجمی در مقابل جرمی
(85)
4-3-1 طبیعت سبک ساختارهای آلی -فلز و هیدروژن
(85)
4-4 اهمیت ویژگی تکمتغیره (تک ورودی) جهت شناسایی مهمترین ورودی تاثیرگذار
(87)
4-4-1 تحلیل اهمیت ویژگیهای تکمتغیره
(90)
4-5 ارزیابی دقت مدل با مقایسه مونت کارلو
(92)
4-6 شناسایی ساختارهای آلی - فلز برتر
(93)
4-7 آنالیز قابلیت سنتز پذیری
(97)
4-7-1 تجزیه و تحلیل مقایسه ای قابلیت سنتز بین hMOF-500 و MOF-5
(98)
4-8 فرآیند بهینه سازی hMOF-500 با استفاده از BIOVIA Material Studio
(100)
4-9 شبیه سازی ایزوترم جذب برای hMOF-500
(101)
4-10 شناسایی چارچوب از پایگاه داده QMOF
(102)
4-10-1 غربالگری برای چارچوب های قابل سنتز
(103)
4-10-2 شناسایی چارچوب از پایگاه داده QMOF
(103)
5 نتیجه گیری و پیشنهادات
(107)
5-1 مراجع
(108)
6 اطلاعات تکمیلی
(114)
6-1 اطلاعات تخصصی از جزئیات hMOF-500
(114)
6-2 جزئیات اطلاعات بهینه سازی ساختار توسط متریال استودیو
(115)
6-3 مشخصات ایزوترم جذب در سیکلهای معین توسط متریال استودیو
(116)
6-4 ساختارهای پیش بینی شده توسط مدل شبکه عصبی مصنوعی
(124)
