Starting from the bottom: Coupling a genetic algorithm and pore network model for porous electrode design
Notice bibliographique
Résumé
The microstructure of porous electrodes determines multiple performance-defining properties, such as the available reactive surface area, mass transfer rates, hydraulic resistance, and electronic conductivity. Thus, optimizing the electrode architecture is a powerful approach to enhance the performance and cost-competitiveness of electrochemical technologies. To this goal, the deployment of computational modeling has improved the fundamental understanding of reactive transport in porous electrodes; however, to date, it has mostly been used to simulate existing sets of materials. To expand our current arsenal of materials, we need to build computational frameworks that are predictive and can explore a large geometrical design space while being physically robust. Here, we present a novel approach for the optimization of porous electrode microstructure from the bottom-up that couples a genetic algorithm with a chemistry-agnostic electrochemical pore network model. In this first demonstration, we focus on optimizing redox flow battery electrodes. The genetic algorithm manipulates the pore and throat size distributions of an artificially generated microstructure with fixed pore positions by selecting the best-performing networks, based on the hydraulic and electrochemical performance computed by the model. For the studied VO2+/VO2+ electrolyte, we find an increase in the fitness of 75% compared to the initial configuration. The algorithm improves the fluid distribution by the formation of a bimodal pore size distribution containing preferential longitudinal flow pathways, resulting in a decrease of 73% for the required pumping power. Furthermore, the optimization yielded an 47% increase in surface area resulting in an electrochemical performance improvement of 42%. Our results show the potential of using genetic algorithms combined with pore network models to optimize porous electrode microstructures for a wide range of electrolyte composition and operation conditions.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».