Control-Oriented Modeling of a Solid Oxide Fuel Cell Affected by Redox Cycling Using a Novel Deep Learning Approach
Notice bibliographique
Résumé
Abstract A solid oxide fuel cell (SOFC) is a multiphysics system that involves heat transfer, mass transport, and electrochemical reactions to produce electrical power. Reduction and re-oxidation (Redox) cycling is a destructive reaction that can occur during SOFC operation. Redox induces various degradation mechanisms, such as electrode delamination, nickel agglomeration, and microstructural changes, which should be mitigated. The interplay of these mechanisms makes a post-Redox SOFC a nonlinear, time-varying, nonstationary dynamic system. Physics-based modeling of these complexities often leads to computationally expensive equations that are not suitable for the control and diagnostics of SOFCs. Here, a data-driven approach based on dilated convolutions and a self-attention mechanism is introduced to effectively capture the dynamics underlying SOFCs affected by Redox. Controlled Redox cycles are designed to collect appropriate experimental data for developing deep learning models, which are lacking in the current literature. The performance of the proposed model is validated on diverse unseen data sets gathered from different fuel cells and benchmarked against state-of-the-art models, in terms of prediction accuracy and computation complexity. The results indicate 31% accuracy improvement and 27% computation speed enhancement compared to the benchmarks.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».