MétaCan
Menu
Retour à la cohorte
Enregistrement W2019003622 · doi:10.1149/2.041205jes

Characterization of the PEM Fuel Cell Catalyst Layer Microstructure by Nonlinear Least-Squares Parameter Estimation

2012· article· en· W2019003622 sur OpenAlexaff
Peter J. Dobson, Chao Lei, Titichai Navessin, Marc Secanell

Notice bibliographique

RevueJournal of The Electrochemical Society · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueFuel Cells and Related Materials
Établissements canadiensNational Research Council CanadaBC Innovation CouncilAlberta EnergyUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésProton exchange membrane fuel cellAgglomerateNonlinear systemBiological systemLeast-squares function approximationElectrolyteEstimation theoryMaterials scienceRange (aeronautics)Non-linear least squaresCharacterization (materials science)Layer (electronics)ElectrodePolymerAlgorithmSet (abstract data type)Fuel cellsComputer scienceChemistryChemical engineeringComposite materialEngineeringMathematicsNanotechnologyStatisticsPhysics

Résumé

récupéré en direct d'OpenAlex

Models of polymer electrolyte membrane fuel cells (PEMFC) have become increasingly complex, using many parameters to define the behavior of species and the performance of the cell. A framework is presented here to couple an agglomerate electrode based, multi-dimensional, multi-physics mathematical model of membrane electrode assembly (MEA) model with an optimization-based nonlinear least-squares parameter estimation algorithm. The framework is used to estimate the micro-structural parameters of the catalyst layer such as agglomerate size. The results show that a set of data over a range of operating conditions can be accurately described by using a unique set of structural parameters that match experimental visualization of the catalyst layer. Extension of this methodology can be used to systematically estimate any model parameters in order to reduce uncertainty in model predictions. © 2012 The Electrochemical Society.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,245

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,004
Tête enseignante GPT0,186
Écart entre enseignants0,182 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations73
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of The Electrochemical SocietyMême sujetFuel Cells and Related MaterialsTravaux en français237 207