Gaussian Process Regression (GPR) Model Development for Predicting the PEMFC Performance Against Temporal Hydrogen Crossover in Matlab
Notice bibliographique
Résumé
This work focused on developing a Physics-informed ML model using Gaussian Process Regression (GPR) in predicting the open-circuit voltage (OCV) against temporal hydrogen crossover (HCO) current by employing the Shapley value analysis to explain the model predictions. First, the GPRbased model developed was seen to exceptionally perform well from model training to deployment based on the fit results(RMSE = 6.78E-05,R2 = 1.0000), correlation analysis (R = 1.0000), and statistical validation (p-value = 0.3216).The uncertainty range, as part of the results of a GPR-based model, suggests that the probability that the model predictions represent the actual OCV of the unseen data is high.Second, the global model interpretation suggested that both the HCO and time have strong influence on the OCV values although a positive impact was observed based on the direction of influence given by the Shapley summary which subjects the data used to test the Shapley algorithm to ambiguity.Anyhow, this finding was eventually contrasted as the Shapley dependence implied that majority of the Shapley values were observed under the zerovalue Shapley, indicating that both predictors negatively impacted the OCV.Lastly, the local Shapley inspection suggested that predictors have weak influence over the OCV at around 40,000 to 60,000 hours where great decline in the OCV values were recorded.HCO greatly dominated the OCV decline at the near end of the AST program.
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 ».