MétaCan
Menu
Retour à la cohorte
Enregistrement W2287076654 · doi:10.1063/1.4937506

Characterizing automotive fuel cell materials by soft x-ray scanning transmission x-ray microscopy

2016· article· en· W2287076654 sur OpenAlexafffund
Adam P. Hitchcock, V. Lee, Juan Wu, Marcia West, Glyn Cooper, Viatcheslav Berejnov, Tatyana Soboleva, Darija Susac, Jürgen Stumper

Notice bibliographique

RevueAIP conference proceedings · 2016
Typearticle
Langueen
DomaineMaterials Science
ThématiqueElectron and X-Ray Spectroscopy Techniques
Établissements canadiensAutomotive Fuel Cell Cooperation (Canada)McMaster University
Organismes subventionnairesBasic Energy SciencesNatural Sciences and Engineering Research Council of CanadaCanada Research ChairsU.S. Department of Energy
Mots-clésProton exchange membrane fuel cellMaterials scienceCathodeChemical engineeringMicroscopyAutomotive industryNanotechnologyFuel cellsOpticsElectrical engineeringPhysicsEngineering

Résumé

récupéré en direct d'OpenAlex

Proton-Exchange Membrane Fuel Cell (PEM-FC) based engines are being developed rapidly for near-term implementation in hydrogen fueled, mass production, personal automobiles. Research is focused on understanding and controlling various degradation processes (carbon corrosion, Pt migration, cold start), and reducing cost by reducing or eliminating Pt catalyst. We are using soft X-ray scanning transmission X-ray microscopy (STXM) at the S 2p, C 1s, O 1s and F 1s edges to study a variety of issues related to optimization of PEM-FC materials for automotive applications. A method to efficiently and accurately measure perfluorosulfonic acid distributions was developed and is being used to better understand how different loadings and preparation methods affect the ionomer distribution in the cathode. Progress towards an environmental cell capable of controlling the temperature and humidity of a PEM-FC sample in the STXM is described. Methods for studying the 3D chemical structure of PEM-FC are outlined.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,037
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
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)0,0020,000

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 Opus0,012
Tête enseignante GPT0,258
Écart entre enseignants0,246 · 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.

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

Citations9
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAIP conference proceedingsMême sujetElectron and X-Ray Spectroscopy TechniquesTravaux en français237 207