Predictive Modelling of PEMFC Degradation Against Hydrogen Crossover Using Machine Learning Models in Matlab
Notice bibliographique
Résumé
The complexity and nonlinearity of the connection between the hydrogen crossover and OCV decay led to extremely challenging establishment of their relationship and the possible prediction of their values using both experimental and conventional computational modeling approaches.Thus, machine learning becomes invaluable in providing low cost and efficient surrogate models that can capture and comprehend the effects of influential factors affecting the trends in the hydrogen crossover and OCV which makes the system highly complicated.To address the challenges in the characterization of PEMFC performance degradation as affected by the temporal hydrogen crossover, this work developed five ML-based models to carry out the OCV predictions using Matlab.The results of model performance evaluation, statistical analysis, and model fit performance suggest that Gaussian Process Regression-based model gave the best prediction accuracy among the other models using algorithms such as the Tri-Layered Neural Network, Ensemble, Decision Tree, and Kernel, with R and R 2 values of 1.0000 and 1.0000, respectively.During the deployment of GPR-based model, these values were observed to decrease to 0.9893 and 0.9787, respectively; still, an indicative of a well-performing model.Inversely, the model has showed more generalizability towards new experimental data and has minimized overfitting which makes it an excellent model for deployment.This finding is also aligned with the minimal RMSE, MSE, and MAE values of 0.0053, 0.00002765, and 0.0030, respectively.Given this, this work demonstrated the usability of machine learning to address the complexity of PEMFC degradation.
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 | 0,001 |
| 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 ».