Designing Microporous Layers for Electrolyzers Using Stochastic Approach
Notice bibliographique
Résumé
Electrochemical energy conversion devices, such as water and carbon dioxide electrolyzers, offer significant advantages in achieving net-zero emissions and in mitigating further increases in global temperature. However, their widespread adoption necessitates enhancements in performance and durability. Microporous layers (MPLs) have been gaining attention as a promising means to enhance the performance and durability of membrane-electrode-assembly (MEA) based electrolyzers, but their nontrivial mechanisms and complexity in fabrication pose challenges for optimizing the microporous layer structure experimentally. This study introduces a stochastic model for generating MPLs in application to electrolyzers. The model produces 3D reconstructions of MPLs, with porosity and particle size as input parameters, and is capable of generating biased MPLs by taking the pre-existing 3D reconstruction as an input. The model applies a dilation and erosion algorithm to replicate sinter-necks formed in the MPL during the sintering process, and captures their impact on structural and transport properties. In this work, three types of MPLs are generated by using the presented model, which include single-layer MPLs, MPLs with pore formers, and bilayer MPLs. Surface roughness analysis and pore network simulations on the MPLs highlight the significance of particle size in the MPL design. Using finer particles at higher porosities are favored over using larger particles at lower porosities. Such findings are examples of the valuable insights offered from the presented stochastic model, and the model will guide seminal discovery of next-generation MPLs that will greatly progress the shift toward net-zero electrochemical energy conversion technologies.
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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».