MétaCan
Menu
Retour à la cohorte
Enregistrement W4391639006 · doi:10.1149/ma2023-02371700mtgabs

(Invited) Challenges and Opportunities for the Computational Analysis of Electrochemical Energy Systems

2023· article· en· W4391639006 sur OpenAlexaff
Marc Secanell

Notice bibliographique

RevueECS Meeting Abstracts · 2023
Typearticle
Langueen
DomaineMaterials Science
ThématiqueMachine Learning in Materials Science
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésComputer scienceEngineering physicsEngineering

Résumé

récupéré en direct d'OpenAlex

Electrochemical systems are challenging to analyze and design due to their multi-dimensional, time-dependent, and multi-physics nature. For this reason, many computational electrochemical system models have been developed in the past three decades, some of which can now be found in commercial software packages, e.g., COMSOL or ANSYS Fluent. These models however: i) are based on simplifying assumptions, e.g., reduced dimensionality, infinite dilution, Tafel kinetics; ii) contain uncertain input parameters, e.g., effective transport properties and kinetic parameters; and, iii) are only validated with a limited number of experiments, e.g., polarization curves. These limitations, understandable at the time due to limited computational resources, characterization techniques, and material understanding and stability, are difficult to justify today that parallel programming and computer clusters enable scientists to perform large multi-dimensional simulations; electrochemical testing has expanded to include segmented cell testing, impedance spectroscopy, water flux estimation, and in-operando visualization; and, characterization tools and techniques have been developed to, for example, easily measure adsorption isotherms, effective proton conductivity and, within a given resolution, visualize the three-dimensional microstructure of the electrodes. Scientists working on computational analysis of electrochemical systems must acknowledge that further model development is still needed and must take advantage of new resources to improve the robustness and accuracy of cell-level models. The path is long and crooked, but it is very likely that the opportunity for a truly useful computational model, one that can be used for design, is beyond simplistic implementations and polarization curves. The effort is great, but it can be minimized by concurrent software development, as well as, by careful experimental work dedicated to parameter estimation and model validation. This presentation aims at outlining the limitations of state-of-the-art models, the challenges and opportunities of concurrent development and maintenance of a multi-scale, transient electrochemical energy system software, such as the open-source fuel cell simulation toolbox (OpenFCST) [1], and the new opportunities provided by combining advanced characterization tools with computational analysis. As an example, the development and validation of the transient, two-phase fuel cell and electrolyzer cell-level models in OpenFCST will be discussed [2]. The use of a hydrogen-pump model to study the effect of an active catalyst in CL effective proton conductivity measurements will also be discussed as an example of concurrent experimental/model design [3]. References [1] M. Secanell et al., ECS Transactions 64.3 (2014) (10.1149/06403.0655ecst) [2] M. Moore et al, Journal of the Electrochemical Society (2023) (10.1149/1945-7111/acc898) [3] M. Mandal et al, ACS Applied Materials & Interfaces, 12 (44), 49549-49562 (2020) (10.1021/acsami.0c12111)

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,378
Score d'incertitude au seuil0,308

Scores Codex et Gemma par catégorie

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

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 Opus0,055
Tête enseignante GPT0,280
Écart entre enseignants0,224 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

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