Exploring gas storage properties of metal organic frameworks by artificial intelligence combined computational methods

Abstract

Metal Organik Kafes (MOF) yapılar sahip oldukları geniş yüzey alanları ve yoğun gözenekli yapılarının sağladığı birçok üstün özelliklerinden dolayı enerji ile ilgili gazların depolama çözümlerinde araştırmacıların ilgi odağı haline gelerek geniş çapta incelenmektedirler. Bugüne kadar, modüler yapılarının oluşturduğu avantajla çeşitli metal kümeler ve organik ligantlar kullanarak çok sayıda MOF kristal yapısı rapor edilmiştir. Fakat sayıları yüz binleri bulan bu yapıların gaz depolama özelliklerini deneysel çalışmalar ile araştırmak oldukça zahmetlidir. Zaman, maliyet ve birçok açıdan avantajlara sahip hesaplamalı kimya yöntemleri, sadece çok sayıda malzemenin deneysel özelliklerini toplu bir şekilde araştırılmasına olanak tanımakla kalmaz, aynı zamanda deneylerle incelenmesi mümkün olmayan atomik düzeydeki olayları açıklamakta da faydalı olabilmektedir. Yaygın olarak kullanılan kuantum mekanik hesaplamalar ve atomik simülasyonların yanı sıra veri madenciliği ve makine öğrenimi gibi veri odaklı hesaplamalı yöntemler, MOF'ların yapısal ve gaz depolama özelliklerini araştırmak için kullanılan önemli araçlardandır. Bu tezde, öncelikle yayınlanmış makale metinleri üzerinden metin ve veri madenciliği (TDM) tekniği ve üç boyutlu MOF kristal yapıları üzerinden de geometrik hesaplamalar ile literatürdeki MOF'ların yüzey alanlarını (SA) ve gözenek hacimlerini (PV) sistematik olarak araştırdık. Böylece, SA ve PV üzerinden MOF'ların gaz depolama kapasitelerinin geniş bir perspektifte incelenmesi ile, özellikle IRMOF serisinin H2 depolama malzemeleri için önemli bir aday olduğunu gösterdik. Daha sonra, IRMOF serisi için, yapısal esnekliğin gaz depolama özellikleri üzerindeki etkisini atomik seviyede incelemek amacıyla DFT düzeyinde yapay sinir ağıları potansiyelleri (NNP) geliştirdik. Bu şekilde, NNP'lerin atomik simülasyonlarda kullanılmasıyla, bu MOF'ların termal ve mekanik esnekliklerinin H2 ve CH4 adsorpsiyonu üzerindeki etkisini inceleyerek MOF'ların önemli gaz depolama davranışlarının ortaya çıkarılmasını sağladık.Metal-organic frameworks (MOFs) with high surface areas, pore volumes and adjustable lattice structures are attractive for energy related gas storage, and thus have been a great deal of interest in scienctific research. To date, many MOF crystal structures have been reported in literature. Experimental investigation of these materials towards their gas storage properties is cumbersome in terms of time and cost. Computational chemistry tools can be beneficial not only validating experimental results but also explaining atomistic phenomena which otherwise impossible to answer by experiments. Computational methods include but not limited to data driven methods such as text/data mining, quantum mechanical calculations, atomistic simulations and machine learning, which have significant advantages in investigating the structural and gas storage properties of thousands of MOFs with low cost and effort. In this dissertation, we systematically investigate the surface area and pore volumes of MOFs using either text and data mining (TDM) from published manuscripts or structural property calculations. Combination of both TDM and structural calculation strategies provides a more comprehensive perspective for the investigation of hydrogen storage capacities of MOFs, which elucidates plausibility of IRMOF series as candidates for H2 storage materials. For these MOFs, we have also developed neural network potential (NNP) at the DFT level accuracy to examine the effect of structural flexibility on gas storage properties. Our developed NNP enables revealing the unusual behaviors of MOFs such as the thermal expansion properties and the effect of mechanical strain on the adsorption of hydrogen and methane molecules for the selected MOFs.