MétaCan
Menu
← Retour à la cohorte
Enregistrement W3213708656 · doi:10.1149/ma2021-02361036mtgabs

Method for Analyzing 2D X-Ray Transmission Images for Operando Liquid Water Distribution in a Polymer Electrolyte Fuel Cell

2021· article· en· W3213708656 sur OpenAlexaboutno aff
Fabusuyi Akindele Aroge, Bharathy S. Parimalam, Francesco P. Orfino, Monica Dutta, Erik Kjeang

Notice bibliographique

RevueECS Meeting Abstracts · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueFuel Cells and Related Materials
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGrayscaleNeutron imagingVisualizationMaterials scienceComputer scienceSample (material)ElectrolyteRepresentation (politics)Biological systemArtificial intelligenceChemistryNeutronPhysicsImage (mathematics)

Résumé

récupéré en direct d'OpenAlex

There is a potential to increase the zero-emission polymer electrolyte fuel cell (PEFC) efficiency through high power density operation. However, water management issues become significant under these conditions, necessitating improved water management strategies [1]. As a precursor, understanding of liquid water distribution is instrumental to developing optimal water management strategies. Various techniques including neutron imaging, electron microscopy, and X-ray imaging have been used to study liquid water transport in fuel cells. Of these, the X-ray computed tomography (XCT) method has provided unprecedented insights gained through in-operando visualization, yielding 3-dimensional (3D) information [2, 3]. The 3D grayscale data set is obtained by first acquiring multiple projections of the sample at different angles which are then reconstructed to yield a 3D representation. The 3D representation may then be processed to segment features such as liquid water and other features of interest [3, 4]. However, the acquisition of such 3D datasets typically takes several hours on a lab-scale XCT instrument [5]. This may sometimes result in a dataset that is difficult to interpret if the imaged sample evolves significantly during the acquisition time. Furthermore, phenomena of interest, such as liquid water distribution may sometimes be challenging to capture with 3D datasets. In this work, we therefore explore the use of transmission radiograph imaging to further understand the distribution of liquid water in an operating fuel cell. The method developed involves the analysis of in-operando transmission images within the framework of the X-ray attenuation laws to provide qualitative, as well as quantitative saturation and liquid water distribution information. Sequential images of a miniaturized operating fuel cell were acquired at 0- and 90-degree angles to the fuel cell plane within a laboratory XCT equipment, while cell operational conditions were controlled by an external fuel cell test station. This approach trades off 3D information for short time scans afforded by 2D acquisition procedure, enabling the identification of liquid water droplet breakthrough dynamics at the cathode gas diffusion layer, as shown in Figure 1. The observed liquid water breakthrough yields new findings on the nature of liquid water distribution in the flow channels, often elusive to 3D approaches. Methods and analysis developed may therefore be used to augment information derived from 3D visualization methods. Acknowledgments Funding for this research was provided by the Natural Sciences and Engineering Research Council of Canada, Ballard Power Systems, Canada Foundation for Innovation, British Columbia Knowledge Development Fund, Canada Research Chairs. References Jiao K and Li X 2011 Progress in energy and combustion Science 37 221–291. Nagai Y, Eller J, Hatanaka T, Yamaguchi S, Kato S, Kato A, Marone F, Xu H and B¨uchi F N 2019 Journal of Power Sources 435 226809. Eller J, Roth J, Marone F, Stampanoni M and B¨uchi F N 2016 Journal of The Electrochemical Society 164 F115. White R T, Eberhardt S H, Singh Y, Haddow T, Dutta M, Orfino F P and Kjeang E 2019 Scientific reports 9 1–12. Withers P J, Bouman C, Carmignato S, Cnudde V, Grimaldi D, Hagen C K, Maire E, Manley M, Du Plessis A and Stock S R 2021 Nature Reviews Methods Primers 1 1–21. 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)0,001
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: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,062

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0190,008

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 Opus0,007
Tête enseignante GPT0,231
Écart entre enseignants0,225 · 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
GenreMéthodes

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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

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