(Invited) Imaging and Quantitative Chemical Mapping of PEM-FC Catalyst Layers By Scanning Transmission X-Ray Microscopy
Notice bibliographique
Résumé
Low temperature, hydrogen-fueled, proton exchange membrane fuel cell (PEM-FC) based engines are being developed rapidly for near-term implementation in mass production, personal automobiles. Materials and process research aiming to further optimize these systems is focused on understanding and controlling various degradation processes (carbon corrosion, Pt migration, cold start), and reducing cost by reducing or eliminating Pt in the electro-catalyst, especially for the oxygen reduction reaction (ORR), and optimizing the nanoscale distribution of the cathode components. Soft X-ray scanning transmission X-ray microscopy (STXM) [1] is a powerful tool to study PEM-FC catalyst layers (membrane electrode assemblies, MEA). STXM provides spectroscopic identification and quantitative mapping of chemical components with 30 nm spatial resolution in both 2D projection and 3D spectro-tomography. For a given radiation dose, it provides much more chemical information than analytical transmission electron microscopy (TEM) and thus it has significant advantages for mapping ionomer in MEA cathodes [2, 3], which has proven to be a very challenging component to detect by TEM due to the high sensitivity of ionomer to radiation damage. This tutorial will describe the instrumentation, methodology and data analysis involved in applying STXM to PEM-FC catalyst layers, and illustrate its capabilities with results from recent studies [4, 5]. STXM performed on BL 10ID1 at the Canadian Light Source and on BL 5.3.2.2 at the Advanced Light Source. Research supported by AFCC, NSERC, Canada Research Chairs, and the Catalyst Research for Polymer Electrolyte Fuel Cells (CaRPE-FC) network. [1] A.P. Hitchcock, Soft X-ray Imaging and Spectromicroscopy in Handbook on Nanoscopy , eds.G. Van Tendeloo, D. Van Dyck and S. J. Pennycook 2012. (Wiley) [2] D. Susac, V. Berejnov, A.P. Hitchcock, and J. Stumper, ECS Transactions 41 (2011) 629. [3] D. Susac, V. Berejnov, A.P. Hitchcock and J. Stumper, ECS Transactions 50 (2012) 405 [4] A.P. Hitchcock, et al., J. Power Sources 266 (2014) 66 [5] V. Lee, et al. J. Power Sources 263 (2014) 163 Figure 1
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 | 0,003 | 0,001 |
| 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 ».