Transfer learning-based deep neural network model for performance prediction of hydrogen-fueled solid oxide fuel cells
Notice bibliographique
Résumé
Transfer learning (TL) is an effective method for minimizing modeling efforts and data requirements for diverse energy systems. This paper presents use of TL for different hydrogen-fueled solid oxide fuel cells (SOFCs) types (tubular vs planar) with different manufacturers (UAlberta vs Elcogen) and output power ranges. Three different single tubular cells were fabricated and tested under 18 operating conditions. In addition, a planar single cell was tested under 10 operating conditions. The data gathered from the first tubular cell (A1) was used to train a deep neural network (DNN) model with the cell voltage as the output. Then, the DNN model was transferred from this source domain to three different target domains. Two tubular cells with different cell properties such as electrolyte thickness, electrodes’ thickness and porosity, and one planar cell with different microstructural properties and different physical layout were the target domains. Fine-tuning was used for TL, and the effect of different normalization strategies and different amounts of fine-tuning data were compared. The developed DNN was able to capture the nonlinear part in current density–voltage (J–V) curves from the rich dataset available for training. The DNN model trained on cell A1 achieved a high prediction accuracy (R 2 = 0.99). Training the DNN in the source domain and fine-tuning the trained network using 10% of target data results in, on average, 85% less training time. This results in a DNN model developed for the target domain, which is now as accurate as the model developed for the source domain. The applied technique reduces the computational cost by 85% and the data requirement by 90% for developing predictive models for SOFCs. • Collected datasets from three tubular cells and one planar cell. • 23,820 data samples as open-source for the research community. • Designed a DNN model to predict SOFC output voltage with less than 1% error. • Data requirement is reduced by 90% for SOFC data-driven model via transfer learning. • Reduction of training time by 85% compared to the case without a transferred model.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».