Using an ILU/Deflation Preconditioner for Simulation of a PEM Fuel Cell Cathode Catalyst Layer
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 Numerical aspects of a pore scale model are investigated for the simulation of catalyst layers of polymer electrolyte membrane fuel cells. Coupled heat, mass and charged species transport together with reaction kinetics are taken into account using parallelized finite volume simulations for a range of nanostructured, computationally reconstructed catalyst layer samples. The effectiveness of implementing deflation as a second stage preconditioner generally improves convergence and results in better convergence behavior than more sophisticated first stage pre-conditioners. This behavior is attributed to the fact that the two stage preconditioner updates the preconditioning matrix at every GMRES restart, reducing the stalling effects that are commonly observed in restarted GMRES when a single stage preconditioner is used. In addition, the effectiveness of the deflation preconditioner is independent of the number of processors, whereas the localized block ILU preconditioner deteriorates in quality as the number of processors is increased. The total number of GMRES search directions required for convergence varies considerably depending on the preconditioner, but also depends on the catalyst layer microstructure, with low porosity microstructures requiring a smaller number of iterations. The improved model and numerical solution strategy should allow simulations for larger computational domains and improve the reliability of the predicted transport parameters. The preconditioning strategies presented in the paper are scalable and should prove effective for massively parallel simulations of other problems involving nonlinear equations.
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 | 0,000 | 0,000 |
| 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) | 0,000 | 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