Η ανάγκη να στραφούμε σε ανανεώσιμε πηγές ενέργειες είναι πιο επιτακτική από ποτέ, συνεπώς είναι ύψιστης σημασίας η βελτίωση της απόδοσης και η μείωση του κόστους των ήδη υπαρχουσών τεχνολογιών, κάτι το οποίο μπορεί να επιταχυνθεί μέσω του υπολογιστικού σχεδιασμού των υλικών. Στην παρούσα διδακτορική διατριβή χρησιμοποιούμε υπολογισμούς θεωρίας συναρτησιακού πυκνότητας (DFT) και στατιστικές μεθόδους όπως μηχανική μάθηση για την διερεύνηση διαφόρων ζητημάτων σχεδιασμού υλικών σε εφαρμογές ενέργειας. Το πρώτο από αυτά τα ζητήματα αφορά την πρόβλεψη του σχήματος ισορροπίας μικρών νανοσωματιδίων χρυσού και ο καθορισμός του ορίου των συμβατικών μεθόδων που χρησιμοποιούνται έως σήμερα για αυτό. Η μέθοδος κατασκευής Wulff που είναι το σύνηθες εργαλείο για την πρόβλεψη του σχήματος νανοσωματιδίων, θα επεκταθεί ώστε να λαμβάνει υπόψιν της τις ενέργειες των ακμών, που κανονικά αγνοεί, πέραν των επιφανειακών τάσεων του υλικού. Οι ενέργειες των ακμών καθορίστηκαν με ανάλυση, μέσω μηχανικής μάθησης, μιας βάσης δεδομένων από υπολογισμένες ολικές ενέργειες για διάφορες νανοδομές. Σε αυτό το πλαίσιο θα συζητηθούν και οι οπτικές ιδιότητες του χρυσού που επηρεάζονται από το σχήμα. Για το τελευταίο κομμάτι της διατριβής, τρεις άλλες κατηγορίες υλικών ερευνήθηκαν, κατηγορίες με ενδιαφέρον για εφαρμογές ενέργειας και περιβάλλοντος και πιο συγκεκριμένα κράματα υψηλής εντροπίας, κράματα οξειδίων του μαγγανίου και περοβσκίτες αλογόνων. Πιο συγκεκριμένα, εστιαζόμαστε στην προσρόφηση OH σε επιφάνειες του κράματος υψηλής εντροπίας CoCuFeNiPt, στη σταθερότητα και τα ενεργειακά χάσματα των οξειδίων Zn-Mn-Ni στις δομές χαουσμανίτη και σπινελίου και τέλος σε ένα εργαλείο μηχανικής μάθησης που μπορεί με ακρίβεια να προβλέπει τα ενεργειακά χάσματα των περοβσκιτών αλογόνων. Συνεπώς, συνδυάζοντας διάφορα επίπεδα θεωρίας, από κβαντομηχανικούς υπολογισμούς έως επιστήμη δεδομένων και μηχανική μάθηση, μπορούμε να προσφέρουμε χρήσιμες πληροφορίες για τους μηχανισμούς που διέπουν την απόδοση των νανοϋλικών σε εφαρμογές ενέργειας.
The need to switch to renewable energy sources is greater than ever and consequently it is of great importance to improve the efficiency and/or to lower the cost of already existing technologies which can be facilitated by computational materials design. In this thesis we employ Density Functional Theory calculations and statistical methods like Machine Learning to investigate various materials design issues related to energy. The first of those issues involve the challenges of predicting the equilibrium shape of small Au nanoparticles and determining the limit of the current conventional methods. The Wulff construction method, which is the standard tool for predicting nanoparticle shapes, is extended to take into account edge energies, in addition to the surface energies of the material, The edge energies are determined by machine-learning analysis of a database of calculated total energies for a variety of nanostructures. In this context, we discuss shape-dependent optical properties of gold. For the last part of the thesis, we consider three other classes of materials for energy and environmental applications, namely high-entropy alloys, alloyed Mn oxides and halide perovsikites. In particular, we focus on OH adsorption on surfaces of CoCuFeNiPt High-Entropy Alloys, the stability and band gaps of Zn-Mn-Ni spinel- and hausmanite-like oxides and a machine-learning tool that accurately predicts the band gaps of halide perovsiktes. Thus, by combining several levels of theory, that span the full range from quantum-mechanical DFT calculations to data science and machine learning, we can provide valuable insights into the mechanisms that govern the performance of nanomaterials for energy applications.
National Documentation Centre (EKT)
