MétaCan
Menu
← Retour à la cohorte
Enregistrement W2017957781 · doi:10.1115/pvp2002-1560

Computational Modelling and Simulation of Proton-Exchange Membrane Fuel Cells (Keynote)

2002· article· en· W2017957781 sur OpenAlexaff
Ned Djilali, Torsten Berning

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueFuel Cells and Related Materials
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésProton exchange membrane fuel cellHydrogen fuelRegenerative fuel cellProcess engineeringElectrochemical energy conversionEnergy transformationMaterials scienceComputer scienceEnvironmental scienceNanotechnologyMechanical engineeringFuel cellsChemistryEngineeringElectrochemistryChemical engineeringElectrode

Résumé

récupéré en direct d'OpenAlex

Fuel cells (FC’s) are electrochemical devices that convert directly into electricity the chemical energy of reaction of a fuel (usually hydrogen) with an oxidant (usually oxygen from ambient air). The only by-products in a hydrogen fuel cell are heat and water, making this emerging technology the leading candidate for quiet, zero emission energy production. Several types of fuel cell are currently undergoing intense research and development for applications ranging from portable electronics and appliances to residential power generation and transportation. The focus of this lecture is Proton-Exchange Membrane Fuel Cells (PEMFC’s). An electrolyte consisting of a “solid” polymer membrane, low operating temperatures (typically below 90 °C) and a relatively simple design combine to make PEMFC’s particularly well suited to automotive and portable applications. The operation of a fuel cell relies on electrochemical reactions and an array of coupled transport phenomena, including multi-component gas flow, two phase-flow, heat and mass transfer, phase change and transport of charged species. The transport processes take place in variety of media, including porous gas diffusion electrodes and polymer membranes. The fuel cell environment makes it impossible to measure in-situ the quantities of interest to understand and quantify these phenomena, and computational modelling and simulations are therefore poised to play a central role in the development and optimization of fuel cell technology. We provide an overview of the role of various transport phenomena in fuel cell operation and some of the physical and computational modelling challenges they present. The processes will be illustrated through examples of multi-dimensional numerical simulations of Proton-Exchange Membrane Fuel Cells. We close with a perspective on some of the many remaining challenges and future development opportunities.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0030,001
Science ouverte0,0020,002
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,200
Écart entre enseignants0,181 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetFuel Cells and Related Materials→Travaux en français237 207→