Projektbeschreibung
Modellierung der Steuerung des Spannungsfelds von metallorganischen Gerüsten für eine bessere Annahme von Wasserstoff
Metallorganische Gerüste sind poröse kristalline Materialien auf einem 3D-Netz aus Metallionen, die durch organische Moleküle gehalten werden. Ihre hohe Porosität und die dadurch entstehende große Oberfläche im Vergleich zum Volumen sind spannende Eigenschaften für die Gasspeicherung und Gastrennung. Mit Unterstützung der Marie-Skłodowska-Curie-Maßnahmen wird das Projekt HydroMOF den Einsatz von metallorganischen Gerüsten zur Wasserstoffspeicherung, einer zentralen Herausforderung in der Wasserstoffwirtschaft, prüfen. Dabei setzt es das interatomare Potenzial mittels maschinellem Lernen ein, um die Förderung der Wasserstoffspeicherung in metallorganischen Gerüsten durch strukturelle Veränderungen, auch die Porenöffnung und -schließung, durch die Anwendung eines Spannungsfeldes zu untersuchen.
Ziel
Hydrogen storage is a key technological barrier to the development and widespread use of hydrogen energy in transportation, stationary, and portable applications. The safe and efficient storage of H2 is an important and still challenging issue. In this regard, metal-organic frameworks (MOFs) possessing large surface areas, a variety of topological/chemical structures, high porosities, and high stabilities are considered promising nanoporous materials for gas storage applications. Theoretical studies have shown that electric fields can promote gas storage in MOFs by inducing controlled structural changes, which has recently been experimentally confirmed.
To unravel the underlying mechanisms at the atomic level, I aim to investigate the H2 storage characteristics of electric field responsive MOFs by combining machine learning (ML) and molecular modeling methods. In order to model switchable MOFs, I will construct machine learning potentials and use them in Molecular Dynamics (MD) simulations in order to overcome the restricted time and length scales of ab-Initio MD, and the accuracy and reliability concerns of MD. In order to determine the H2 uptakes of the MOFs, I will push the limits further and combine machine learning potentials with the Grand Canonical Monte Carlo (GCMC) simulations.
The main research objectives are to generate accurate machine learning potentials with a low computational time cost, determine how selected MOFs react to an applied electric field, control pore opening/closing, control and improve H2 uptake by switching electric field, determine the impact of an electric field on the interaction between the host and H2 as well as on the presence of different adsorption sites. This project has the potential to be a “door-opener” for fast and accurate design of switchable MOFs and boosting their applications in H2 storage by providing a fundamental perspective.
Wissenschaftliches Gebiet
Schlüsselbegriffe
Programm/Programme
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
MSCA-PF - MSCA-PFKoordinator
44801 Bochum
Deutschland