MétaCan
Menu
Retour à la cohorte
Enregistrement W2330028671 · doi:10.2514/6.2008-5980

Design of a Polymer Electrolyte Fuel Cell Membrane Electrode Assembly for Maximum Performance under Different Operating Conditions

2008· article· en· W2330028671 sur OpenAlexafffund
Marc Secanell, Ron Songprakorp, Ned Djilali, Afzal Suleman

Notice bibliographique

Revue12th AIAA/ISSMO Multidisciplinary Analysis and Optimization Conference · 2008
Typearticle
Langueen
DomaineEngineering
ThématiqueFuel Cells and Related Materials
Établissements canadiensUniversity of Victoria
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Research Chairs
Mots-clésProton exchange membrane fuel cellComputer scienceFinite element methodMembrane electrode assemblyElectrolyteOptimal designOptimization problemMathematical optimizationMaterials scienceElectrodeAlgorithmFuel cellsEngineeringChemical engineeringMathematicsChemistry

Résumé

récupéré en direct d'OpenAlex

A computational framework for fuel cell analysis and optimization is presented as an innovative alternative to the time consuming trial-and-error process currently used for fuel cell design. The framework is based on a two-dimensional through-the-channel isothermal, isobaric and single phase membrane electrode assembly (MEA) model. The model input parameters are the manufacturing parameters used to build the MEA: platinum loading, platinum to carbon ratio, electrolyte content and gas diffusion layer porosity. The governing equations of the fuel cell model are solved using Netwon’s algorithm and an adaptive finite element method in order to achieve quadratic convergence and a mesh independent solution respectively. The analysis module is used to solve the optimization problem of maximizing performance. To solve these problems a gradientbased optimization algorithm is used in conjunction with analytical sensitivities. The presented computational framework is the first attempt in the fuel cell literature to combine highly efficient analysis and optimization methods to perform optimization in order to tackle large-scale problems. The framework presented is capable of solving a complete MEA optimization problem with state-of-the-art electrode models in approximately 30 minutes. In this article, the optimization framework is applied to obtain an optimal MEA for low, medium and high current density operation. The results show that the optimal MEA design for low current densities is significantly different from the optimal design at medium and high currents. The optimal designs are compared to experimental results from parametric studies in the literature.

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)0,001
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: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,016
Tête enseignante GPT0,226
Écart entre enseignants0,209 · 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

Citations0
Publié2008
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revue12th AIAA/ISSMO Multidisciplinary Analysis and Optimization ConferenceMême sujetFuel Cells and Related MaterialsTravaux en français237 207