Hasil Pencarian  ::  Simpan CSV :: Kembali

"Energi hidrogen memiliki potensial yang besar sebagai energi yang bersih untuk digunakan di masa depan. Penggunaan gas hidrogen sebagai energi saat ini masih memiliki kendala, yaitu dalam sistem distribusi dan penyimpanannya. Salah satu solusi untuk mengatasi permasalahan tersebut adalah dengan menggunakan metode adsorpsi. Material Zeolit merupakan salah satu material yang berpotensial untuk digunakan sebagai media penyimpanan gas hidrogen. Riset secara eksperimental umumnya memerlukan biaya yang tinggi. Maka, diperlukan metode riset lain yang dapat menunjangnya. Pada riset ini, penulis menggunakan metode Simulasi Dinamika Molekuler. Variasi temperatur yang digunakan pada simulasi ini adalah 77, 100, 150, 200, 273, dan 298 K dengan variasi tekanan pada tiap temperatur adalah 1, 2, 4, 6, 8, dan 10 bar. Hasil simulasi kemudian dibandingkan dengan hasil riset secara eksperimental yang telah dilakukan oleh peneliti lainnya. Pada tekanan rendah dan temperatur tinggi, hasil simulasi mendekati hasil riset secara eksperimental. Namun pada tekanan tinggi dan temperatur rendah, hasil simulasi memiliki perbedaan secara signifikan dari riset secara eksperimental.

---

Hydrogen energy has great potential to become one of the clean energies of the future. The current use of hydrogen gas as an energy source still has problems, especially in the distribution and storage system. One solution to overcome these problems is to use the adsorption method. Zeolite material is considered to be a good material to be used as a storage medium for hydrogen gas. Experimental research generally still requires a fairly high cost. Therefore, we need another method that can support it. In this research, the author used the Molecular Dynamics Simulation method. The variation of temperature used in this simulation is 77, 100, 150, 200, 273, and 298 K with a variation of pressure at each temperature is 1, 2, 4, 6, 8, and 10 bar. Our simulation results are then compared with the results of experimental research conducted by other researchers. At low pressure and high temperature, the results of our simulation are close to the results of experimental research. But at high pressure and low temperature, the results of our simulation are significantly different from the results of experimental research."

"Pencegahan kerusakan infrastruktur merupakan hal yang penting dalam meningkatkan factor keselamatan selama pemakaian, salah satunya pencegahan dari fenomena reaksi korosi pada struktur baja. Fenomena korosi merupakan reaksi reduksi-oksidasi yang mengakibatkan degradasi pada material sehingga dapat menimbulkan kegagalan. Oleh karena itu, berbagai penelitian dilakukan untuk mencegah korosi pada struktur baja, salah satunya yaitu pengurangan laju korosi menggunakan inhibitor organic berbasis senyawa phenyl phthalimide. Namun, terdapat berbagai jenis senyawa turunan phenyl phthalimide sehingga dibutuhkan waktu yang lama untuk melakukan pengujian secara langsung di laboratorium. Salah satu solusi yang dapat digunakan yaitu menggunakan metode DFT dan dinamika molekuler untuk menghitung sifat elektronik yang berhubungan dengan efisiensi kerja senyawa inhibitor, yaitu EHOMO, ELUMO, band gap, transfer elektron, dan energi adsorpsi molekul. Namun, proses simulasi dengan metode DFT dan dinamika molekuler juga masih membutuhkan waktu yang cukup lama. Oleh karena itu, dilakukan prediksi sifat elektronik menggunakan metode deep learning. Dikembangkan salah satu model deep learning, yaitu Artificial Neural Network. Agar model dapat menjelaskan sifat elektronik senyawa inhibitor organic, digunakan deskriptor SMILES dan Alvadesc. Dari model yang dikembangkan, didapatkan hasil berupa akurasi serta tingkat kestabilan dalam pelatihan model. Kemudian, dilakukan perbandingan model berdasarkan jenis deskriptor dan target sifat elektronik yang digunakan. Hasil penelitian menunjukkan bahwa deskriptor Alvadesc memiliki akurasi yang lebih tinggi dibandingkan dengan deskriptor SMILES. Model Artificial Neural Network dengan deskriptor Alvadesc dan target sifat energi adsorpsi molekul memiliki performa terbaik dengan akurasi 94,49% dan tingkat kestabilan model terbaik (standar deviasi akurasi setelah loop run 10 kali sebesar 0,97%.

---

Infrastructure damage preventions is crucial to enhance safety factor during service, one of them is preventing corrosion reaction phenomenon on steel structure. Corrosion phenomenon itself is a reduction-oxidation reaction that cause material degradation, hence promotes material failure. Therefore, many researches discuss to prevent corrosion on steel structure, one of them is using phenyl phthalimide-based organic inhibitor to decrease corrosion rate. However, there are many phenyl phthalimide derivatives to be tested inside laboratory that require a lot of time. One of the solutions that can be conducted is using DFT and molecular dynamics to calculate electronic properties that correlate with inhibitor efficiency, such as EHOMO, ELUMO, band gap, electron transfers, and molecular adsorption energy. Yet, DFT and molecular dynamics still require quite a long time. According to it, electronic properties prediction is conducted using deep learning method. One of the deep learning models, Artificial Neural Network, is developed. In order to enable the model to describe the molecular electronic properties, SMILES and Alvadesc descriptors are used. Model’s accuracy and stability are obtained from model training. After that, each models are compared based on descriptor types and each electronic properties as a target. Reseach result shown that Alvadesc descriptors provide better accuracy that SMILES descriptors. Also, the Artificial Neural Network model with Alvadesc descriptors and molecular adsorption energy as target achieve the highest performance with 94,49% accuracy and best model stability (standard deviation value of model accuracy after 10 times loop run was only 0,97%)."

"Implan tulang pada umumnya terbuat dari material logam, tetapi material logam dapat mengalami degradasi dalam jangka waktu tertentu di lingkungan biologis yang berpotensi menimbulkan efek toksik. Sehingga, dikembangkan pelapisan implan logam dengan hidroksiapatit (HAp, Ca10(PO4)6(OH)2). HAp sintetis berbeda dengan HAp biologis dalam hal sifat mekanik, stabilitas termal, dan laju degradasi. Untuk menutupi kekurangan HAp sintetis, sifat mekanik HAp dapat dioptimalkan dengan penambahan doping. Namun pada umumnya doping dapat menurunkan kristalinitas HAp, jika kristalinitas bernilai sangat rendah dapat menyebabkan pelepasan ion yang didoping secara lokal dan berkontribusi pada biodegradasi. Sehingga, dibutuhkan parameter untuk mencegah hal tersebut terjadi, salah satunya dengan parameter pemrosesan temperature dan waktu proses serta pemilihan doping dan komposisi yang tepat. Penelitian ini bertujuan untuk mengetahui efek penambahan doping dan parameter pemrosesan pada nilai kristalinitas HAp. Model machine learning yang akan digunakan adalah XGB, KNN, ANN, dan CatBoost dengan menggunakan dataset yang dikumpulkan dari penelitian terdahulu. Evaluasi model memperlihatkan XGB memberikan performa terbaik dengan nilai akurasi R2Score tertinggi sebesar 95,6% dengan rata-rata R2Score K-Fold sebesar 83%, dan fitur yang paling berpengaruh terhadap nilai derajat kristalinitas HAp adalah temperatur kalsinasi, waktu dilakukannya kalsinasi, dan penambahan doping Mg.

---

Bone implants are generally made of metallic materials, but metallic materials can degrade over a period of time in biological environments with potentially toxic effects. Thus, the coating of metal implants with hydroxyapatite (HAp, Ca10(PO4)6(OH)2) was developed. Synthetic HAp differs from biological HAp in terms of mechanical properties, thermal stability and degradation rate. To make up for the shortcomings of synthetic HAp, the mechanical properties of HAp can be optimized by the addition of doping. However, in general, doping can reduce the crystallinity of HAp, if the crystallinity is very low, it can cause local release of doped ions and contribute to biodegradation. Thus, parameters are needed to prevent this from happening, one of which is the processing parameters of temperature and process time as well as the selection of doping and the right composition. This study aims to determine the effect of doping addition and processing parameters on the crystallinity value of HAp. The machine learning models to be used are XGB, KNN, ANN, and CatBoost using datasets collected from previous studies. Model evaluation shows that XGB gives the best performance with the highest R2Score accuracy value of 95.6% with an average R2Score K-Fold of 83%, and the most influential features on the degree of crystallinity value of HAp are calcination temperature, calcination time, and Mg doping addition. "

"Kebutuhan material perovskite sebagai sel surya mengharuskan banyak penelitian dilakukan untuk mendapatkan energi celah pita yang dapat menghasilkan efisiensi tinggi. Penelitian ini bertujuan untuk menemukan material organic inorganic hybrid perovskites (OIHPs) baru bebas timbal dengan sifat target utama energi celah pita dan sifat identitas keberadaan material berupa volume per atom, energi atomisasi, dan densitas menggunakan metode conditional variational autoencoder (CVAE). Dataset yang dikonstruksi terdiri dari 192 molekul yang didapatkan dari database serta 23 data tambahan yang dihasilkan dari simulasi DFT. Pelatihan dataset dengan model prediktor ANN menghasilkan nilai R2 89% pada energi celah pita dan kurva pembelajaran yang baik. Pengambilan dan validasi data dilakukan dengan simulasi DFT menggunakan XC GGA-PW91 dan menghasilkan perbedaan antara 2% hingga 7%. Studi lebih lanjut dilakukan dengan mendeposisikan film tipis material hasil CVAE dengan metode spin coating berupa CH3NH3CaI3 yang terdiri dari komponen organik garam methylammonium iodida dan komponen anorganik Ca. Material ini mempunyai tipe energi celah pita tak langsung sebesar 3,409 eV dan memiliki error kurang dari 10% terhadap hasil model prediktor, generator, maupun simulasi DFT. Hasil ini menunjukkan potensi CH3NH3CaI3 untuk diaplikasikan menjadi material optoelektronik.

---

High demand for perovskite materials as solar cells requires a lot of research to obtain band gap energy that can produce high efficiency. This research aims to find new lead-free organic inorganic hybrid perovskites (OIHPs) materials with the main target properties of band gap energy and the identity properties of material existence in the form of volume per atom, atomic energy, and density using the conditional variational autoencoder (CVAE) method. The constructed dataset consists of 192 molecules with properties retrieved from database as well as 23 additional data generated from DFT simulations. Training the dataset with the ANN predictor model resulted in an R2 value of 89% in band gap energy and a good learning curve. Results comparation with DFT simulations using the XC GGA-PW91 yielded differences between 2% to 7%. Further studies were carried out by depositing thin films of CVAE material using spin coating method in the form of CH3NH3CaI3 which consists of organic component methylammonium iodide salt and inorganic component Ca. This material has an indirect band gap energy type of 3.409 eV and has an error of less than 10% against the results of predictor models, generators, and DFT simulations. These findings demonstrate the potential of CH3NH3CaI3 for the application as an optoelectronic material, as suggested by the CVAE study and supported by DFT simulation."

"Perovskit sebagai basis sel surya memiliki efisiensi konversi daya besar. Akan tetapi pengembangan perovskit menghadapi kendala seperti ketidakstabilan, toksisitas timbal, dan stress akibat pemanasan sinar UV. Penelitian ini menggunakan metode komputasi untuk mencari kombinasi komposisi perovskit yang optimal dengan menggunakan metode conditional variational auto-encoder (CVAE). Perancangan program dilakukan dengan menggunakan set data yang berasal dari database hasil perhitungan DFT untuk dapat mengonstruksikan program generator material baru. Arsitektur program generator material baru ini terdiri dari model prediktor, model generator. Model generator dirancang untuk dapat memberikan kandidat komposisi material yang sesuai sifat target yang dibutuhkan. Model generator dilakukan dengan menggunakan metode CVAE berbasis deep learning. Model generator dengan metode CVAE berbasis deep learning didapatkan hasil pelatihan model enkoder dalam memetakan vektor komposisi sebesar 100% dengan nilai kerugian sebesar 31,8. Performa masing-masing model prediktor ditunjukkan dengan nilai skor R2 untuk celah pita, volume per atom, energi atomisasi, dan densitas material sebesar [0,90;0,99;0,97;0,96]. Program berhasil memprediksi 41 material baru dari hasil generasi 4 sifat target utama. Hasil prediksi menunjukkan bahwa program generator material yang dikembangkan pada penelitian ini dapat digunakan untuk menemukan kandidat komposisi perovskit halida hibrida organik-anorganik yang sesuai untuk aplikasi sel surya.

---

Perovskite, as a base for solar cells, is the ability to perform high power conversion efficiency. However, the development of perovskite encounters several challenges, including instability, lead toxicity, and stress to UV light. This study employs computational methods to identify the optimal combination of perovskite compositions using conditional variational auto-encoders (CVAE). The program's design uses a dataset from the DFT calculation results database that has previously constructed a new material generator program. The new material generator program architecture consists of predictor and generator. The generator model provides candidate material compositions that match the required target properties using the CVAE method based on deep learning. The generator model using the CVAE method based on deep learning obtained the results of training the encoder model in mapping the composition vector at 100% with a loss value of 31.8. The performance of each predictor model achieved an R2score for energy gap, volume per atom, atomization energy, and material density of [0.90; 0.99; 0.97; 0.96]. The program predicted 41 novel materials based on generating four main desired properties. The prediction results indicate that the material generator program developed in this study successfully offers recommendations for hybrid organic-inorganic perovskite halide composition candidates for solar cell."