MétaCan
Menu
Retour à la cohorte
Enregistrement W2102805283 · doi:10.1149/1.3082119

Factors Influencing Electrochemical Properties and Performance of Hydrocarbon-Based Electrolyte PEMFC Catalyst Layers

2009· article· en· W2102805283 sur OpenAlexafffund
Toby Astill, Zhong Xie, Zhiqing Shi, Titichai Navessin, Steven Holdcroft

Notice bibliographique

RevueJournal of The Electrochemical Society · 2009
Typearticle
Langueen
DomaineEngineering
ThématiqueFuel Cells and Related Materials
Établissements canadiensBC Innovation CouncilNational Research Council CanadaSimon Fraser University
Organismes subventionnairesNational Research Council CanadaNatural Sciences and Engineering Research Council of CanadaFuel Cells and Hydrogen Joint UndertakingSimon Fraser University
Mots-clésProton exchange membrane fuel cellElectrolyteMaterials scienceCatalysisChemical engineeringNafionIonomerElectrochemistryPorosityLayer (electronics)Composite materialPolymerElectrodeChemistryOrganic chemistryCopolymer

Résumé

récupéré en direct d'OpenAlex

Cathode catalyst layers (CLs) for proton exchange membrane fuel cells (PEMFCs) incorporating sulfonated poly(ether ether ketone) (SPEEK) solid polymer electrolyte were prepared and studied in a fuel cell operated at and 100% relative humidity. SPEEK-based CLs were found to exhibit higher protonic resistance, lower effective usage of Pt, and lower fuel cell performance compared to Nafion-based cathodes. A method of fabrication was developed to achieve a homogeneous distribution of SPEEK and polytetrafluoroethylene (PTFE) throughout the catalyst layer. Homogeneously prepared SPEEK-based CLs exhibited a higher electrochemically active surface area and lower protonic resistance but lower porosity and inferior water management compared to those prepared using a traditional two-step fabrication method, wherein SPEEK ionomer was impregnated into a preformed catalyst layer incorporating sintered PTFE and . The choice of SPEEK electrolyte over Nafion was shown to adversely affect the bulk proton conductivity of the electrolyte inside the catalyst layer. This can be offset by increasing the SPEEK content in the catalyst layer but with the penalty of increased flooding and a larger resistance to gas transport.

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)0,002
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
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 savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,007
Tête enseignante GPT0,175
Écart entre enseignants0,168 · 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'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

Citations53
Publié2009
Routes d'admission2
Résumé présentoui

Explorer davantage

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