UTILE-Pore: Deep Learning-Enabled 3D Analysis of Porous Materials in Polymer Electrolyte Membrane-Based Energy Devices
Notice bibliographique
Résumé
3D imaging of porous materials in polymer electrolyte membrane (PEM)-based devices, coupled with in situ diagnostics and advanced multi-scale modelling approaches, is pivotal to deciphering the interplay of mass transport phenomena, performance, and durability. The characterization of porous electrode media in PEM-based cells encompassing gas diffusion layers and catalyst layers often relies on traditional analytical techniques such as 2D scanning electron microscopy, followed by image processing such as Otsu thresholding and manual annotation. These methods lack the 3D context needed to capture the complex physical properties of porous electrode media, while also struggling to accurately and effectively discriminate porous and solid domains. To achieve an enhanced, automated segmentation of porous structures, we present a 3D deep learning-based approach trained on calibrated 3D micro-CT, focused ion beam-scanning electron microscopy datasets, and data from physical porosity measurements. Our approach includes binary segmentation for porous layers and a multiclass segmentation method to distinguish the microporous layers from the gas diffusion layers. The presented analysis framework integrates functions for pore size distribution, porosity, permeability, and tortuosity simulation analyses from the resulting binary masks and enables quantitative correlation assessments. Segmentations achieved can be interactively visualized on-site in a 3D environment.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».