Experimental methods in chemical engineering: Density functional theory
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Density functional theory (DFT) computations apply to physics, chemistry, material science, and engineering. In chemical engineering, DFT identifies material structure and properties, and mechanisms for phenomena such as chemical reaction and phase transformation that are otherwise impossible to measure experimentally. Even though its practical application dates back only a decade or two, it is already a standard tool for materials modelling. Many textbooks and articles describe the theoretical basis of DFT, but it remains difficult for researchers to autonomously learn the steps to accurately calculate system properties. Here, we first explain the foundations of DFT in a way accessible to chemical engineers with little background in quantum mechanics or solid‐state physics. Then, we introduce the basics of the computations and, for most of the rest of the article, we show how to derive physical characteristics of interest to chemical engineers: elastic, thermodynamic, and surface properties, electronic structure, and surface and chemical reaction energy. Finally, we highlight some limitations of DFT; since these calculations are approximations to the Schrödinger equation, their accuracy relies on choosing adequate exchange‐correlation functions and basis sets. Since 1991, the number of articles WoS has indexed related to DFT has increased quadratically with respect to time and now numbers 15 000. A bibliometric analysis of the top 10 000 cited articles in 2018 and 2019 classifies them into four clusters: adsorption, graphene, and nanoparticles; ab initio molecular dynamics and crystal structure; electronic structure and optical properties; and total energy calculations and wave basis sets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle