MétaCan
Menu
← Retour à la cohorte
Enregistrement W4309813954 · doi:10.1149/ma2022-02502436mtgabs

Advanced Electrochemical Impedance Analysis Using Distribution of Relaxation Times for in Operando Mechanistic Insights of Fuel Cell and Water Electrolyzer Designs

2022· article· en· W4309813954 sur OpenAlexaff
Patrick K Giesbrecht, Michael S. Freund

Notice bibliographique

RevueECS Meeting Abstracts · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueFuel Cells and Related Materials
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésAnodeDielectric spectroscopyElectrolysisMaterials scienceCathodeRenewable energySolid oxide fuel cellProcess engineeringHydrogen productionPolymer electrolyte membrane electrolysisElectrodeHydrogenElectrochemistryChemistryElectrical engineeringElectrolyteEngineering

Résumé

récupéré en direct d'OpenAlex

The development of sustainable and carbon-neutral alternative energy frameworks and chemical feedstocks requires rapid production of scalable water electrolyzer designs for hydrogen production.[1] Coupling electrolyzers to renewable energy supplies can provide a ‘green’ hydrogen production pathway, enabling clean production of chemical feedstocks as well as an energy storage framework. Current acid-based electrolyzer designs, however, integrate precious metals for stable operation, where drastic reductions in iridium use and increased cell durability are required for scalable deployment.[2] This requires the ability to monitor changes to the cell in operando for rapid diagnostics during initial and long-term operation under sustained or intermittent profiles. One technique proposed is electrochemical impedance spectroscopy (EIS), which can provide a breakdown of the cell resistances based on the timescale of the process.[3] Further analysis by circuit modeling, however, requires significant insight into the system for accurate interpretations. By coupling conventional EIS methods with distribution of relaxation times (DRT) analysis, the number of processes impacting cell operation can be determined without a priori knowledge of the system.[4] This has improved circuit modeling analysis of Li-ion batteries and solid oxide fuel cells.[5] Here, we demonstrate the power of EIS-coupled DRT analysis by analyzing the operation porous cathode and anode films of Nafion-based electrolyzer cells in half-cell and full cell configuration. Analysis of the electrodes in half-cell configurations provides estimates of kinetic parameters, active area, ionic conductivity, and diffusion coefficients associated with the electrode from a single EIS spectrum that are comparable to values obtained from in situ values.[6] Further analysis of the full cell operation with variable cathode gas composition provides insight as to the effect of the cathode gas composition on both the cathode and anode operation and stability. The work presented here will show the versatility and limitations of DRT-coupled EIS analysis of novel fuel cell and electrolyzer designs as well as present key findings for improving electrolyzer performance and stability. [1]Ayers, K. et al. Annu. Rev. Chem. Biomolec. Eng. 2019, 10, 219-239. [2]Pham, C. et al Adv. Energy Mater. 2021, 11, 2101998. [3]Liu, H. et al. J. Phys. Chem. Lett. 2022, 13, 6520-6531. [4]Wan, T. et al. Electrochimica Acta 2015, 184, 483-499. [5]Dierickx, S., Ivers-Tiffee, E. Electrochimica Acta 2020, 355, 136764. [6]Giesbrecht, P.K., Freund, M.S. J. Phys. Chem. C 2022, 126, 132-150.

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)0,001
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: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,000
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 Opus0,007
Tête enseignante GPT0,207
Écart entre enseignants0,200 · 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
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

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