Dissertation/ Thesis
Predictive catalysis to induce experimental catalytic efficiency
| Τίτλος: | Predictive catalysis to induce experimental catalytic efficiency |
|---|---|
| Συγγραφείς: | Monreal Corona, Roger |
| Συνεισφορές: | University/Department: Universitat de Girona. Departament de Química, University/Department: Universitat de Girona. Institut de Química Computacional i Catàlisi |
| Thesis Advisors: | Poater Teixidor, Albert, Pla i Quintana, Anna, Solà i Puig, Miquel |
| Πηγή: | TDX (Tesis Doctorals en Xarxa) |
| Στοιχεία εκδότη: | Universitat de Girona, 2026. |
| Έτος έκδοσης: | 2026 |
| Φυσική περιγραφή: | 252 p. |
| Θεματικοί όροι: | Teoria funcional de densitat (TFD), Teoría funcional de densidad (TFD), Density functional theory (DFT), Catàlisi predictiva, Catálisis predictiva, Predictive catalysis, Mecanisme de reacció, Mecanismo de reacción, Reaction mechanism, Selectivitat, Selectividad, Selectivity, Optimització de la reacció, Optimización de la reacción, Reaction optimization, Química del carben, Química del carbeno, Carbene chemistry, Complex de metalls de transició, Complejo de metales de transición, Transition metal complex |
| Περιγραφή: | ENG-Predictive chemistry is emerging as a key tool for the development of new reactions and catalysts. This field combines computational models with experiments to design and optimize chemical processes in a rational way, anticipating results before laboratory testing. Despite recent progress, important challenges remain, such as reliably linking predictions with experimental data, applying these methods to more complex systems, and developing new strategies for molecular design. This thesis addresses these challenges by applying predictive chemistry to a wide range of catalytic reactions, including both metal-catalyzed and metal-free systems. It begins with a review of predictive catalysis principles, recent trends, and the conceptual framework underlying the work. Computational studies provide detailed insights into reaction mechanisms and trends in reactivity, demonstrating that models can generate reliable predictions while complementing experiments for validation and refinement. Building on this foundation, inverse design strategies are implemented to identify molecular structures with optimal properties for specific reactions. Computational screening and property-based optimization algorithms expand the design space and accelerate the discovery of efficient catalysts. Finally, predictive chemistry methodologies are extended to heterogeneous systems, such as surfaces and solid materials, illustrating the versatility and broad applicability of these tools across different catalytic environments. The results of this thesis highlight how combining theoretical models and experimental data can guide the discovery and development of new catalysts, offering opportunities for innovation in chemistry and industrial processes. Moreover, the thesis demonstrates that predictive chemistry not only enhances understanding of chemical processes but also enables the design and prediction of reactivity more efficiently, accelerating research and reducing experimental resource use |
| Description (Translated): | CAT- La química predictiva està emergint com una eina fonamental per al desenvolupament de noves reaccions i catalitzadors. Aquesta disciplina combina models computacionals amb experiments per dissenyar i optimitzar processos químics de manera racional, anticipant els resultats abans de provar-los al laboratori. Tot i els avenços recents, encara hi ha reptes importants, com connectar de manera fiable les prediccions amb les dades experimentals, aplicar aquestes metodologies a sistemes més complexos i desenvolupar noves estratègies de disseny molecular. Aquesta tesi aborda aquests reptes aplicant eines de química predictiva a una àmplia gamma de reaccions catalítiques, incloent tant sistemes catalitzats per metalls com sistemes lliures de metalls. Inicialment, es revisen els principis de la catàlisi predictiva, les tendències recents i el marc conceptual que sustenta el treball. Els estudis computacionals realitzats permeten comprendre amb detall els mecanismes de reacció i les tendències de reactivitat, mostrant que els models poden generar prediccions fiables i, alhora, complementar els experiments per validar i millorar aquestes prediccions. A partir d’aquesta base, es desenvolupen estratègies de disseny invers per identificar estructures moleculars amb propietats òptimes per a reaccions concretes. Mitjançant cribratges computacionals i algoritmes d’optimització basats en propietats, aquest enfocament amplia l’espai de disseny i accelera la identificació de catalitzadors eficients. Finalment, les metodologies de química predictiva es traslladen a sistemes heterogenis, com superfícies i materials sòlids, demostrant que aquestes eines són versàtils i aplicables a diferents entorns catalítics. Els resultats d’aquesta tesi subratllen com la combinació de models teòrics i dades experimentals pot guiar el descobriment i desenvolupament de nous catalitzadors, oferint noves oportunitats per a la innovació en química i en processos industrials. A més, la tesi mostra que la química predictiva no només ajuda a comprendre millor els processos químics, sinó que també permet preveure i dissenyar reactivitats de manera més eficient, accelerant la recerca i reduint l’ús de recursos experimentals Programa de Doctorat en Química |
| Τύπος εγγράφου: | Dissertation/Thesis |
| Περιγραφή αρχείου: | application/pdf |
| Γλώσσα: | English |
| Σύνδεσμος πρόσβασης: | https://hdl.handle.net/10803/696956 |
| Rights: | ADVERTIMENT. Tots els drets reservats. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs. info:eu-repo/semantics/embargoedAccess |
| Αριθμός Καταχώρησης: | edstdx.10803.696956 |
| Βάση Δεδομένων: | TDX |
| FullText | Text: Availability: 0 CustomLinks: – Url: https://hdl.handle.net/10803/696956# Name: EDS - TDX (ns324271) Category: fullText Text: View record in TDX |
|---|---|
| Header | DbId: edstdx DbLabel: TDX An: edstdx.10803.696956 RelevancyScore: 1435 AccessLevel: 3 PubType: Dissertation/ Thesis PubTypeId: dissertation PreciseRelevancyScore: 1435.09814453125 |
| IllustrationInfo | |
| Items | – Name: Title Label: Title Group: Ti Data: Predictive catalysis to induce experimental catalytic efficiency – Name: Author Label: Authors Group: Au Data: <searchLink fieldCode="AR" term="%22Monreal+Corona%2C+Roger%22">Monreal Corona, Roger</searchLink> – Name: Author Label: Contributors Group: Au Data: University/Department: Universitat de Girona. Departament de Química<br />University/Department: Universitat de Girona. Institut de Química Computacional i Catàlisi – Name: Author Label: Thesis Advisors Group: Au Data: Poater Teixidor, Albert<br />Pla i Quintana, Anna<br />Solà i Puig, Miquel – Name: TitleSource Label: Source Group: Src Data: TDX (Tesis Doctorals en Xarxa) – Name: Publisher Label: Publisher Information Group: PubInfo Data: Universitat de Girona, 2026. – Name: DatePubCY Label: Publication Year Group: Date Data: 2026 – Name: PhysDesc Label: Physical Description Group: PhysDesc Data: 252 p. – Name: Subject Label: Subject Terms Group: Su Data: <searchLink fieldCode="DE" term="%22Teoria+funcional+de+densitat+%28TFD%29%22">Teoria funcional de densitat (TFD)</searchLink><br /><searchLink fieldCode="DE" term="%22Teoría+funcional+de+densidad+%28TFD%29%22">Teoría funcional de densidad (TFD)</searchLink><br /><searchLink fieldCode="DE" term="%22Density+functional+theory+%28DFT%29%22">Density functional theory (DFT)</searchLink><br /><searchLink fieldCode="DE" term="%22Catàlisi+predictiva%22">Catàlisi predictiva</searchLink><br /><searchLink fieldCode="DE" term="%22Catálisis+predictiva%22">Catálisis predictiva</searchLink><br /><searchLink fieldCode="DE" term="%22Predictive+catalysis%22">Predictive catalysis</searchLink><br /><searchLink fieldCode="DE" term="%22Mecanisme+de+reacció%22">Mecanisme de reacció</searchLink><br /><searchLink fieldCode="DE" term="%22Mecanismo+de+reacción%22">Mecanismo de reacción</searchLink><br /><searchLink fieldCode="DE" term="%22Reaction+mechanism%22">Reaction mechanism</searchLink><br /><searchLink fieldCode="DE" term="%22Selectivitat%22">Selectivitat</searchLink><br /><searchLink fieldCode="DE" term="%22Selectividad%22">Selectividad</searchLink><br /><searchLink fieldCode="DE" term="%22Selectivity%22">Selectivity</searchLink><br /><searchLink fieldCode="DE" term="%22Optimització+de+la+reacció%22">Optimització de la reacció</searchLink><br /><searchLink fieldCode="DE" term="%22Optimización+de+la+reacción%22">Optimización de la reacción</searchLink><br /><searchLink fieldCode="DE" term="%22Reaction+optimization%22">Reaction optimization</searchLink><br /><searchLink fieldCode="DE" term="%22Química+del+carben%22">Química del carben</searchLink><br /><searchLink fieldCode="DE" term="%22Química+del+carbeno%22">Química del carbeno</searchLink><br /><searchLink fieldCode="DE" term="%22Carbene+chemistry%22">Carbene chemistry</searchLink><br /><searchLink fieldCode="DE" term="%22Complex+de+metalls+de+transició%22">Complex de metalls de transició</searchLink><br /><searchLink fieldCode="DE" term="%22Complejo+de+metales+de+transición%22">Complejo de metales de transición</searchLink><br /><searchLink fieldCode="DE" term="%22Transition+metal+complex%22">Transition metal complex</searchLink> – Name: Abstract Label: Description Group: Ab Data: ENG-Predictive chemistry is emerging as a key tool for the development of new reactions and catalysts. This field combines computational models with experiments to design and optimize chemical processes in a rational way, anticipating results before laboratory testing. Despite recent progress, important challenges remain, such as reliably linking predictions with experimental data, applying these methods to more complex systems, and developing new strategies for molecular design. This thesis addresses these challenges by applying predictive chemistry to a wide range of catalytic reactions, including both metal-catalyzed and metal-free systems. It begins with a review of predictive catalysis principles, recent trends, and the conceptual framework underlying the work. Computational studies provide detailed insights into reaction mechanisms and trends in reactivity, demonstrating that models can generate reliable predictions while complementing experiments for validation and refinement. Building on this foundation, inverse design strategies are implemented to identify molecular structures with optimal properties for specific reactions. Computational screening and property-based optimization algorithms expand the design space and accelerate the discovery of efficient catalysts. Finally, predictive chemistry methodologies are extended to heterogeneous systems, such as surfaces and solid materials, illustrating the versatility and broad applicability of these tools across different catalytic environments. The results of this thesis highlight how combining theoretical models and experimental data can guide the discovery and development of new catalysts, offering opportunities for innovation in chemistry and industrial processes. Moreover, the thesis demonstrates that predictive chemistry not only enhances understanding of chemical processes but also enables the design and prediction of reactivity more efficiently, accelerating research and reducing experimental resource use – Name: Abstract Label: Description (Translated) Group: Ab Data: CAT- La química predictiva està emergint com una eina fonamental per al desenvolupament de noves reaccions i catalitzadors. Aquesta disciplina combina models computacionals amb experiments per dissenyar i optimitzar processos químics de manera racional, anticipant els resultats abans de provar-los al laboratori. Tot i els avenços recents, encara hi ha reptes importants, com connectar de manera fiable les prediccions amb les dades experimentals, aplicar aquestes metodologies a sistemes més complexos i desenvolupar noves estratègies de disseny molecular. Aquesta tesi aborda aquests reptes aplicant eines de química predictiva a una àmplia gamma de reaccions catalítiques, incloent tant sistemes catalitzats per metalls com sistemes lliures de metalls. Inicialment, es revisen els principis de la catàlisi predictiva, les tendències recents i el marc conceptual que sustenta el treball. Els estudis computacionals realitzats permeten comprendre amb detall els mecanismes de reacció i les tendències de reactivitat, mostrant que els models poden generar prediccions fiables i, alhora, complementar els experiments per validar i millorar aquestes prediccions. A partir d’aquesta base, es desenvolupen estratègies de disseny invers per identificar estructures moleculars amb propietats òptimes per a reaccions concretes. Mitjançant cribratges computacionals i algoritmes d’optimització basats en propietats, aquest enfocament amplia l’espai de disseny i accelera la identificació de catalitzadors eficients. Finalment, les metodologies de química predictiva es traslladen a sistemes heterogenis, com superfícies i materials sòlids, demostrant que aquestes eines són versàtils i aplicables a diferents entorns catalítics. Els resultats d’aquesta tesi subratllen com la combinació de models teòrics i dades experimentals pot guiar el descobriment i desenvolupament de nous catalitzadors, oferint noves oportunitats per a la innovació en química i en processos industrials. A més, la tesi mostra que la química predictiva no només ajuda a comprendre millor els processos químics, sinó que també permet preveure i dissenyar reactivitats de manera més eficient, accelerant la recerca i reduint l’ús de recursos experimentals<br />Programa de Doctorat en Química – Name: TypeDocument Label: Document Type Group: TypDoc Data: Dissertation/Thesis – Name: Format Label: File Description Group: SrcInfo Data: application/pdf – Name: Language Label: Language Group: Lang Data: English – Name: URL Label: Access URL Group: URL Data: <link linkTarget="URL" linkTerm="https://hdl.handle.net/10803/696956" linkWindow="_blank">https://hdl.handle.net/10803/696956</link> – Name: Copyright Label: Rights Group: Cpyrght Data: ADVERTIMENT. Tots els drets reservats. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.<br />info:eu-repo/semantics/embargoedAccess – Name: AN Label: Accession Number Group: ID Data: edstdx.10803.696956 |
| PLink | https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edstdx&AN=edstdx.10803.696956 |
| RecordInfo | BibRecord: BibEntity: Languages: – Text: English PhysicalDescription: Pagination: PageCount: 252 Subjects: – SubjectFull: Teoria funcional de densitat (TFD) Type: general – SubjectFull: Teoría funcional de densidad (TFD) Type: general – SubjectFull: Density functional theory (DFT) Type: general – SubjectFull: Catàlisi predictiva Type: general – SubjectFull: Catálisis predictiva Type: general – SubjectFull: Predictive catalysis Type: general – SubjectFull: Mecanisme de reacció Type: general – SubjectFull: Mecanismo de reacción Type: general – SubjectFull: Reaction mechanism Type: general – SubjectFull: Selectivitat Type: general – SubjectFull: Selectividad Type: general – SubjectFull: Selectivity Type: general – SubjectFull: Optimització de la reacció Type: general – SubjectFull: Optimización de la reacción Type: general – SubjectFull: Reaction optimization Type: general – SubjectFull: Química del carben Type: general – SubjectFull: Química del carbeno Type: general – SubjectFull: Carbene chemistry Type: general – SubjectFull: Complex de metalls de transició Type: general – SubjectFull: Complejo de metales de transición Type: general – SubjectFull: Transition metal complex Type: general Titles: – TitleFull: Predictive catalysis to induce experimental catalytic efficiency Type: main BibRelationships: HasContributorRelationships: – PersonEntity: Name: NameFull: Monreal Corona, Roger IsPartOfRelationships: – BibEntity: Dates: – D: 14 M: 01 Type: published Y: 2026 |
| ResultId | 1 |