Modeling Diffusivity in Catalyst Layer of a PEMFC Based on a Unit Cell Approach
Notice bibliographique
Résumé
Polymer electrolyte membrane fuel cells (PEMFC) convert the reaction energy of hydrogen and air to electricity without harmful emissions. PEMFC rely on a membrane-electrode assembly (MEA) constructed from multiple layers of micro/nano porous materials and associated interfaces. The MEA includes a polymer electrolyte membrane (PEM) that conducts protons, a composite nano-structured catalyst layer (CL), and a fibrous gas diffusion layer (GDL) that distributes reactant gases and collects current. The production cost and limited durability of the platinum catalyst layer is a significant challenge for the commercialization of hydrogen fuel cells. The greater the activity of the Pt nanoparticles, the lower the required Pt loading on the carbon support, and the lower the production costs for the catalyst layer. Hydrogen and oxygen reactants diffuse to the catalyst Pt particles. Existing models for the diffusivity of CL are either not accurate or computationally demanding, making them difficult to use for CL optimization. In this study, the CL is represented by unit cells based on porosimetry and analysis of SEM images of CL structure. The mass diffusion problem is analytically solved for the unit cell to calculate effective diffusivity of CL. Unlike other simple models which use porosity as the only input to calculate diffusivity the proposed model considers the pore size distribution as well as structure of CL, which improves the accuracy. The model presented in this study shows results within acceptable accuracy respect to published experimental data.
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 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».