MétaCan
Menu
Retour à la cohorte
Enregistrement W2167446698 · doi:10.1002/fuce.201200072

Model‐Based <i>Ex Situ</i> Diagnostics of Water Fluxes in Catalyst Layers of Polymer Electrolyte Fuel Cells

2013· article· en· W2167446698 sur OpenAlexaff
J. Liu, Javier Gazzarri, Michael Eikerling

Notice bibliographique

RevueFuel Cells · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueFuel Cells and Related Materials
Établissements canadiensBC Innovation CouncilNational Research Council CanadaSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésElectrolyteWater transportProton exchange membrane fuel cellCatalysisChemical engineeringMaterials scienceVaporizationIsothermal processWater vaporElectrochemistryPolymerCathodeElectrodeChemistryWater flowThermodynamicsComposite materialEnvironmental scienceOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Abstract The ability to predict the electrochemical performance of the cathode catalyst layer in a polymer electrolyte fuel cell hinges on a precise knowledge of water distribution and fluxes. Water transport mechanisms that must be accounted for include vapor diffusion, liquid water permeation and vaporization exchange. In order to facilitate experimental efforts to this effect, we propose an ex situ model of water fluxes in catalyst layers. The model formulation is similar to transmission line models that are widely used in the analysis of electrochemical impedance spectra of porous composite electrodes. Focusing in this article on steady state and isothermal conditions, we rationalize the response function between defined environmental conditions, i.e. gas pressures, partial vapor pressures and temperature, which are defined at the boundaries of the catalyst layer, and the net water flux. This response function provides diagnostic capabilities to isolate and extract water transport parameters of catalyst layers from measurements of water fluxes through membrane electrode assemblies or half cell systems. An important asset of the model is the ability to analyze catalyst layer transport properties under partial saturation.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: aucune
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
Métarecherche0,0000,000
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 savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
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 Opus0,005
Tête enseignante GPT0,173
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'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

Citations5
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFuel CellsMême sujetFuel Cells and Related MaterialsTravaux en français237 207