Optimizing Mixtures of Metal–Organic Frameworks for Robust and Bespoke Passive Atmospheric Water Harvesting
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Atmospheric water harvesting (AWH) is a method to obtain clean water in remote or underdeveloped regions including, but not limited to, those with an arid or desert climate. For passive (i.e., relying on ambient cooling and, for heating, natural sunlight─as opposed to an external power source), adsorbent-based AWH, an adsorbent bed is employed to capture water from cold, humid air at nighttime, while during the daytime the bed is then exposed to natural sunlight to heat it and desorb the water for collection. Metal–organic frameworks (MOFs) are tunable, nanoporous materials with suitable water adsorption properties for comprising this adsorbent bed. The water delivery by the MOF adsorbent bed in a passive AWH device depends on (1) the nighttime, capture conditions (temperature and humidity) and daytime, release conditions (temperature, humidity, and solar flux) and (2) the structure(s) of the MOF(s) comprising the bed, which dictate MOF-water interactions. Notably, the capture and release conditions vary from region-to-region and season-to-season and fluctuate from day-to-day, while different MOFs offer different water adsorption isotherms. Consequently, we propose (1) comprising the adsorbent bed for passive AWH with a mixture of MOFs and (2) tailoring this MOF mixture to particular geographic regions and time frames. We hypothesize each MOF in the mixture can specialize in delivering water under different capture and release conditions, ensuring the adsorbent bed delivers adequate water on every day─despite fluctuations in temperature, humidity, and solar flux. Herein, we develop an optimization framework to determine the total mass and composition of a MOF mixture for comprising a bespoke (i.e., tailored to a declared geographic region and time frame) adsorbent bed for robust (i.e., delivering adequate water every day) passive AWH. We combine weather data in the declared region, equilibrium water adsorption data in the candidate MOFs, and thermodynamic water adsorption models (as a simplifying assumption, we neglect heat and water transfer limitations) to frame a linear program expressing our optimal design principle: adjust the mass of each candidate MOF comprising the adsorbent bed to minimize mass (important for portability and a proxy for cost) while satisfying daily water delivery constraints. Based on case studies in the Chihuahuan and Sonoran Deserts, we find (1) a mixed-MOF adsorbent bed can be, but is not always, lighter (e.g., ≈40% lighter) than the optimized single-MOF counterpart; and (2) the optimal composition and mass of the adsorbent bed differ by both geographic region and time frame. Finally, we visualize the linear program for a reduced problem with a two-dimensional design space to gain intuition, conduct a sensitivity analysis, and compare to an AWH field study. Our work is a starting point for optimizing the composition of bespoke adsorbent beds for robust, passive AWH.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».