MétaCan
Menu
Retour à la cohorte
Enregistrement W4242712715 · doi:10.1149/ma2017-02/32/1410

Quantitative Mapping of Ionomer in Catalyst Layers by Electron and X-ray Spectromicroscopy

2017· article· en· W4242712715 sur OpenAlexaffabout
Lis G. A. Melo, Adam P. Hitchcock, Jasna Janković, Jürgen Stumper, Darija Susac, Viatcheslav Berejnov

Notice bibliographique

RevueECS Meeting Abstracts · 2017
Typearticle
Langueen
DomaineMaterials Science
ThématiqueMachine Learning in Materials Science
Établissements canadiensAutomotive Fuel Cell Cooperation (Canada)McMaster University
Organismes subventionnairesnon disponible
Mots-clésIonomerScanning transmission electron microscopyTransmission electron microscopyMaterials scienceScanning electron microscopeAnalytical Chemistry (journal)ChemistryPolymerNanotechnologyComposite materialCopolymerOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

The perfluorosulfonic acid (PFSA) ionomer commonly used in Polymer Electrolyte Membrane Fuel Cells (PEM-FC) consists of a hydrophobic tetrafluoroethylene backbone with side chains terminated with sulfonate groups responsible for proton conduction. Optimizing the spatial distribution of ionomer in the catalyst layer maximizes the catalyst that is accessible to protons and O2, reducing the Pt loading. Thus, the methods of quantifying the distributions of ionomer relative to catalyst are important. PFSA is prone to radiation damage [1], losing fluorine which makes it challenging to analyze quantitatively with electron [2] and x-ray spectro-microscopies [3]. Scanning Transmission X-ray Microscopy (STXM) is known to cause less damage in soft materials than analytical Transmission Electron Microscopy (TEM), with either core level Electron Energy Loss (EELS) [4] or Energy Dispersive X-ray Spectroscopy (EDS). We have applied Scanning TEM – EDS (STEM-EDS) and STXM at room temperature to the same microtomed sample of a PEM-FC catalyst layer. STEM-EDS was performed using an FEI Tecnai Osiris equipped with CHEM-STEM 4 area detectors. STXM was performed using soft X-ray STXMs at the Canadian Light Source (Saskatoon) and the Advanced Light Source (Berkeley). The extent of ionomer damage (F-loss) as a function of absorbed radiation dose in the cathode due to each imaging technique was measured from F Ka maps in STEM-EDS, and by F1s stack maps (OD694 eV - OD684 eV) in STXM. Figure 1 plots the extent of fluorine signal and thus component loss, normalized to the initial amount, for a range of electron and X-ray exposures. Both the electron and X-ray beams damage the ionomer at a similar rate. However, decent quality EDS maps at room temperature (Figure 1C) with sufficient counts for statistical analysis need ~30000 e-/nm2. At that exposure, approximately 70-80% of the original fluorine signal in the ionomer material is lost. On the other hand, high quality ionomer maps using STXM require less than 10 photons/nm2 (Figure 1A), which causes negligible fluorine loss. The ‘multi’ mode of TEM-EDS acquisition does provide significantly less damage at lower exposures (Figure 1B) but by the time adequate image quality is achieved (Figure 1C), the extent of fluorine loss is unacceptably high. Whether the ionomer damage is attributed to only fluorine loss (EDS), or ionomer component loss (STXM), or significant change of ionomer chemistry is still debatable. However, this study indicates that after applying “common” imaging practices for STXM and EDS, the remaining cathode areas are significantly different. STXM performed on BL 10ID1 at CLS and on BL 5.3.2.2 at ALS. Research supported by NSERC and the Catalyst Research for Polymer Electrolyte Fuel Cells (CaRPE-FC) network. S. Yakovlev, et.al., Membranes. 3(2013) 424–439 D.A. Cullen, et al., J. Electrochem. Soc. 161 (2014) F1111–F1117 D. Susac, et.al. STXM ECS Trans. 41 (2011) 629–635 J. Wang, et.al., J. Phys. Chem. B. 113 (2009) 1869–76. 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)0,000
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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

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

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,289
Écart entre enseignants0,273 · 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

Citations2
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueECS Meeting AbstractsMême sujetMachine Learning in Materials ScienceTravaux en français237 207