Combining molecular simulations and machine learning to unlock gas separation performances of MOFs and MOF-based composites

Abstract

Metal-organic frameworks (MOFs) have become a well-known class of porous materials for solving energy-related gas separation challenges thanks to their high porosities, large surface areas, and easy-to-modify structural properties. Due to the enormous number of synthesized MOFs (>125,000), molecular simulation methods play an important role in assessing the gas separation performances of MOFs and MOF-based composites. In this thesis, we combined high-throughput computational screening (HTCS) and machine learning (ML) approaches to assess the performances of a very large number and type of MOFs and MOF-based composite materials for a variety of gas separation applications. In the first part, we focused on air separation and performed grand canonical Monte Carlo (GCMC) and molecular dynamics (MD) simulations to compute O2 and N2 permeabilities and O2/N2 selectivities of 5629 MOF membranes and 78,806 different types of MOF/polymer mixed matrix membranes (MMMs). Our results showed that many MOF membranes exceed the upper bound established for traditional polymer membranes thanks to the high permeabilities and/or selectivities of MOFs. In the second part, we focused on 11 different gas separation applications to explore 5599 MOF membranes and >180,000 different types of MOF/polymer MMMs. Results showed that many MOFs offer a great opportunity for making MMM applications by improving both the permeability and selectivity of polymers. Since creating all this molecular simulation data needs computationally demanding calculations and analyzing this very large dataset is not practical, in the third part of the thesis, we utilized machine learning (ML) to significantly accelerate the assessment of MOF membranes and MOF/polymer MMMs for six different gas separation applications. Results showed that the ML models that we trained based on the GCMC and MD simulation data accurately predict the adsorption and diffusion properties of He, H2, N2, and CH4 gases in MOFs. In the fourth part, we developed ML models to study 1000 different types of MOFs and ionic liquid (IL)/MOF composites as adsorbents for flue gas separation. The most important features that affect the CO2/N2 selectivity of IL/MOF composites were extracted using the ML results and utilized to computationally generate a new IL/MOF composite, [BMIM][BF4]/UiO-66. Experimentally measured CO2/N2 selectivity of this new composite matched well with the ML-predicted one. In the last part, we focused on water adsorption and performed GCMC and density functional theory (DFT) calculations to explore the effect of framework flexibility on the water adsorption properties of a MOF. Results emphasized the significance of considering the structural flexibility of the MOF for water adsorption. The results of this thesis will provide molecular-level understanding of the gas adsorption and diffusion behavior of MOFs and facilitate the design of new MOFs and MOF-based composites for various gas separation applications at reduced time and cost.

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.