MétaCan
Menu
Retour à la cohorte
Enregistrement W2491382403 · doi:10.1109/access.2016.2597058

A Comprehensive Review of Solutions and Strategies for Cold Start of Automotive Proton Exchange Membrane Fuel Cells

2016· review· en· W2491382403 sur OpenAlexafffund
Ali Amamou, Sousso Kélouwani, Loïc Boulon, Kodjo Agbossou

Notice bibliographique

RevueIEEE Access · 2016
Typereview
Langueen
DomaineEngineering
ThématiqueFuel Cells and Related Materials
Établissements canadiensUniversité du Québec à Trois-Rivières
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMinistère des Ressources Naturelles et de la Faune
Mots-clésProton exchange membrane fuel cellCold start (automotive)CommercializationAutomotive industryFuel cellsComputer scienceEnvironmental scienceAutomotive engineeringProcess engineeringNuclear engineeringEngineeringAerospace engineeringChemical engineeringBusiness

Résumé

récupéré en direct d'OpenAlex

Proton exchange membrane fuel cell (PEMFC) can be a significant eco-friendly alternative power source for vehicles. However, under subfreezing conditions, cell degradation and irreversible performance decay can occur because of ice formation and repetitive thaw/freeze cycles. These problems have limited the further commercialization of PEMFC in cold weather countries. Thus, many improvements have been made to repair the freeze protection and rapid cold startup problems in PEMFC vehicles. In this paper, a comprehensive review dedicated to engineers of the recent research progress on the PEMFC cold start problems is presented. Systems and methods for fuel cell shutdown are summarized and classified into two categories: purge solution and material to avoid freezing. Regarding the system and solutions for PEMFC cold startup, different heating solutions are classified into two main groups depending on their heating sources and categorized as internal and external heating methods. This paper concludes with a detailed review of cold startup strategies based on an exhaustive survey of journal papers and patents.

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)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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 Opus0,078
Tête enseignante GPT0,331
Écart entre enseignants0,252 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations139
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE AccessMême sujetFuel Cells and Related MaterialsTravaux en français237 207