Data-driven modeling of polymer electrolyte fuel cells: Towards predictive analytics with explainable artificial intelligence
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• Developed a comprehensive data-driven framework using advanced machine learning models to accurately predict polarization behavior of polymer electrolyte fuel cells. • Integrated explainable AI techniques such as Gini importance or SHAP to reveal how key operational and design parameters especially voltage, relative humidity, platinum loading, and ionomer-to-carbon ratio influence performance. • Identified voltage is the top predictor, followed by relative humidity, platinum loading, and ionomer-to-carbon ratio. • Model-based support for optimization of fabrication, real-time control, and durability improvements. • Providing actionable insights for optimization of the fabrication and operation of polymer electrolyte fuel cells. Polymer electrolyte fuel cells will be an essential technology of the emerging hydrogen economy. However, optimizing their cost and performance necessitates understanding of how different parameters affect their operation. This optimization problem involves numerous interrelated design and operational parameters. However, developing the required understanding through experimental studies alone would be inefficient. Physical modelling is a much-needed complement to experiment but is constrained by simplifying assumptions that diminish the models' predictive capabilities. As a supplement to experiment and physical modelling, we employ a data-based assessment that leverages machine learning techniques to support and enhance decision-making. We first evaluate the predictive accuracy of various machine learning models, including artificial neural networks, to predict the polarization behavior of polymer electrolyte fuel cells, harnessing an extensive experimental dataset. We then apply explainable artificial intelligence techniques, including Gini feature importance and Shapley additive explanations value analyses, to understand how these models incorporate data into the prediction process. Probabilistic analyses can help identify relationships between predictions and feature values. We demonstrate that insights derived from Shapley additive explanations value analysis are consistent with literature data on the thermodynamics and kinetics of relevant electrochemical reaction and transport processes. Our study highlights the potential of interpretable and explainable tools to offer a holistic analysis of the impacts of various interrelated operational and design parameters on the performance of the fuel cell. In the future, such explainable tools could help identify gaps in experimental data and pinpoint research priorities.
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.
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 découle