MétaCan
Menu
← Retour à la cohorte
Enregistrement W2510963458 · doi:10.1149/ma2016-02/38/2595

Establishing Targets for the Cathode Catalyst Layer Kinetic & Transport Parameters in PEMFC Designs

2016· article· en· W2510963458 sur OpenAlexaboutno aff
A. P. Young, Siyu Ye, Kyoung Bai, Drew Stolar

Notice bibliographique

RevueECS Meeting Abstracts · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueFuel Cells and Related Materials
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésProton exchange membrane fuel cellMaterials scienceMembrane electrode assemblyDurabilityThermal diffusivityElectrolyteCatalysisConductivityProton transportChemical engineeringProcess engineeringMembraneComposite materialChemistryEngineeringElectrodeThermodynamics

Résumé

récupéré en direct d'OpenAlex

Introduction Commercializing polymer electrolyte membrane fuel cells (PEMFC) is ultimately a matter of achieving the necessary cost for broad market penetration. Cost is a function of materials, manufacturability, performance, and durability. Performance and durability targets have been set by the DOE [1] to provide guidance and focus to the PEMFC industry for specific applications such as the automotive sector. To cascade these challenging targets down to material and transport requirements we employ a fully integrated performance model to conduct parameter optimization studies in tandem with experimental validation. Design curves are utilized as inputs to the model to provide the current state-of-the-art capability regarding catalyst activity and ionomer proton conductivity. High performing commercial membrane and GDL components were selected with a standard catalyst (Figure 1) to provide a baseline for this evaluation. The gap between modelled MEA performance and DOE targets will be highlighted and a recommended path forward will be provided. Results & Discussion Aside from catalyst activity and available surface area, the cathode catalyst layer performance is dictated by the mass transport of protons (proton conductivity), oxygen (gas diffusivity), and water (gas & liquid permeability) [2-4]. Several material sets have been evaluated experimentally in-situ to provide a range in catalyst activity, proton conductivity, and effective layer diffusivity as shown in figures 1 and 2 (diffusivity not shown). During operation the distribution of current through the porous three dimensional catalyst layer structure [6] is dictated by the catalyst activity and layer transport properties. We will describe in this work the relationship between proton conductivity and voltage performance. Based on these results we can set relevant conductivity targets, which can be used for both ionomer development and material down selection. These parameters will be utilized in the Ballard/DOE funded FC-Apollo performance model to provide the current status toward achieving the DOE’s 2020 automotive targets listed in Table 1. Further, technology gaps will be identified in conjunction with a strategy toward meeting these objectives. Acknowledgement The authors would like to acknowledge Joey Jickain for his testing support and National Resources Canada (NRCan), National Research Council of Canada (NRC-IRAP), and the US Department of Energy (DOE) for funding various aspects of this work. Reference 1. http://energy.gov/eere/fuelcells/doe-technical-targets-polymer-electrolyte-membrane-fuel-cell-components 2. Egushi, M., Baba, K., Onuma, T., Yoshida, K., Iwasawa, K., Kobayashi, Y., Uno, K., Komatsu, K., Kobori, M., Nishitani-Gamo, M., Ando, T., Polymers, 4, p. 1645 (2012) 3. Xie, J., Xu, F., Wood, D.L., More, K.L., Zawodzinski, T.A., Smith, W.H., Electrochimica Acta 55 p. 7404 (2010) 4. Gode, P., Jaouen, F., Lindbergh, G., Lundblad, A., Sundholm, G., Electrochimica Acta 48 p. 4175 (2003) 5. Young, AP., Gyenge, E., Stumper, J., J. Electrochem. Soc., 156, B913 (2009) 6. Young, AP., Knights, S., Gyenge, E., Stumper, J., J. Electrochem. Soc., 157, B425 (2010) 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 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)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0020,002
Science ouverte0,0020,001
Intégrité de la recherche0,0020,001
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 Opus0,033
Tête enseignante GPT0,237
Écart entre enseignants0,204 · 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'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

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueECS Meeting Abstracts→Même sujetFuel Cells and Related Materials→Travaux en français237 207→