Capturing the Morphology of the Micro-Porous Layer Using a Stochastic Approach
Notice bibliographique
Résumé
The performance of low-temperature fuel cell technologies is strongly dependent on the effective transport properties of its porous sub-component materials. Properties such as gas diffusivity and thermal conductivity play an important yet complex role in determining whether the component will have a positive or a negative impact on the fuel cell performance. The micro-porous layer (MPL) is an intermediate component between the macro-porous gas diffusion layer (GDL) substrate and the catalyst layer. It is mainly made from carbon particles and hydrophobic agents such as PTFE. Various studies show that the MPL can mitigate catalyst layer flooding at high current densities and ensure a smooth transition between the large pores in the GDL substrate and the small ones in the catalyst layer. However, there is very limited information about MPL properties in the literature due to the complexity of measuring MPL-specific properties experimentally, considering that its delicate stricture always requires a supporting material. Numerical simulation is one of the most promising alternatives to systematically characterize the MPL and its effective transport properties. We have previously established and validated a numerical framework for the GDL 1 . In this work, we propose a stochastic method to generate the physical structure of the MPL material. The model utilizes material specifications such as porosity, size of the particles and PTFE loading as input for structure generation. The model also incorporates parameters to recreate the morphology of an actual structure, such as the clustering and the agglomeration of the particles and the location of the PTFE. This novel technique allows generating a realistic porous media that is validated against experimental data. The results show very good agreement with the measured pore size distribution of a standard MPL material sample. The validated 3D structure is then used to compute the effective transport properties 2 that are also in good agreement with the limited data available in the literature 3 . The model is subsequently applied to investigate the effect of certain parameters on the structure and thus on the effective properties. The results of the study provide some insight on how the MPL manufacturing process and particle size can be tuned for specific target properties. Overall, the stochastic modeling framework is intended to become a useful design tool for simulation and design of next generation MPL materials. Acknowledgments: This research was supported by Ballard Power Systems and the Natural Sciences and Engineering Research Council of Canada through an Automotive Partnership Canada (APC) grant. We highly appreciate the support form Professor Ned Djilali’s group at the University of Victoria. This research made use of computing resources provided by WestGrid and Compute/Calcul Canada. References: 1. M. El Hannach, and E. Kjeang, J. Electrochem. Soc., under review 2. K. J. Lange, P.-C. Sui, and N. Djilali, Commun. Comput. Phys. , 14 , 537–573 (2013). 3. A. Nanjundappa, A. S. Alavijeh, M. El Hannach, D. Harvey, and E. Kjeang, Electrochim. Acta 110 (2013) 349-357.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».