Performance Prediction of a Range of Diverse Solid Oxide Fuel Cells using Deep Learning and Principal Component Analysis
Notice bibliographique
Résumé
Solid oxide fuel cell (SOFC) is a common fuel cell type that has high efficiency. SOFC is a complex non-linear system, subject to aging and manufacturing variation, which makes performance prediction difficult. To estimate the SOFC performance data-driven methods allow a trade-of between computation cost and accuracy. Eight different SOFC tubular cells with different properties are fabricated and experimentally tested in 18 different operating conditions. A deep neural network (DNN) is used to predict the output voltage of the cells. The input features of this network are the cell physical properties determined by scanning electron microscope (SEM) analysis and the operating parameters. As a first step, all measurable features are provided to principal component analysis (PCA) for feature selection resulting in a 50% reduction in features, resulting in a corresponding 50% reduction in the training time of the DNN. This trained DNN is able to capture the non-linear voltage drop of concentration polarization in the current density-voltage (J-V) curves. The prediction performance of the network is evaluated using three performance metrics of coefficient of determination (R 2 ), root mean square error (RMSE), and mean absolute percentage error (MAPE) with satisfactory accuracy for both the training and test datasets. For all predictions, R 2 is 0.99, MAPE is less than 1%, and RMSE is 0.0001 on the test dataset. During the training process, both the validation loss and training loss approach zero indicating that the trained model is not over-fitted. The DNN model can be useful for design and operation optimization purposes.
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 ».