Data-driven modelling of corrosion behaviour in coated porous transport layers for PEM water electrolyzers
Notice bibliographique
Résumé
Green hydrogen, produced through water electrolysis powered by renewable energy, is essential for a sustainable energy future. However, proton exchange membrane (PEM) water electrolyzers face durability issues, particularly corrosion of porous transport layers (PTLs), which limits their widespread commercialization. Protective coatings are used to mitigate PTL corrosion and improve durability. Traditional approaches to predicting coating performance in terms of corrosion resistance rely on extensive experimentation and intricate physical-electrochemical modelling, resulting in substantial time and cost. This study is the first to apply machine learning (ML) models to predict the corrosion behaviour of PTL coatings with varying alloy compositions for PEM water electrolyzers. Using Nb-Ta coated PTLs with different alloying ratios, coating performance is evaluated through potentiostatic polarization and end-of-life (EOL) tests. The data is split into two datasets: one for predicting corrosion current density and the other for predicting EOL voltage. Extreme gradient boosting (XGB) and artificial neural network (ANN) models are developed. To assess the models, mean absolute error (MAE) and mean squared error (MSE) are used as loss functions. The ANN model with the MSE loss function achieved the best performance, with an R 2 of 0.993 for corrosion current density. Additionally, the ANN model with a 0.1 dropout probability and MSE loss function resulted in an R 2 of 0.966 for EOL voltage predictions, outperforming the XGB models. These findings demonstrate the ability of ML models to accurately predict the anti-corrosion performance of PTL coatings, facilitating a faster approach to optimizing PTL coating compositions for PEM water electrolyzer applications. • Developed ML models for predicting PTL performance in PEM water electrolyzers. • XGB and ANN models predicted corrosion current density with accuracy of R 2 > 0.98. • ANN-MSE-DRPT yielded the best end-of-life voltage prediction (R 2 > 0.96). • Data-based models present promising solutions for advancing PTL coating development.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 ».