Machine learning-assisted optimization of NbTa alloy coating thickness via DC magnetron sputtering for SS316L bipolar plates in PEMFCs
Notice bibliographique
Résumé
Corrosion and high interfacial contact resistance (ICR) in metallic bipolar plates (BPPs) remain critical challenges limiting the durability of proton exchange membrane fuel cells (PEMFCs). This study employs a dual experimental-machine learning (ML) approach to optimize NbTa alloy coatings deposited on SS316L BPPs via DC-balanced magnetron sputtering. Electrochemical testing and surface characterization were conducted under simulated and accelerated PEMFC conditions, while an artificial neural network (ANN) model was developed to predict performance trends across coating thicknesses. A 2.5 μm coating exhibited the best overall performance, reducing corrosion current density to below 0.2 μA.cm -2 and ICR to 0.9 mΩ.cm 2 . Notably, the 1.7 μm coating also met U.S. DOE targets, representing a practical balance between cost and durability. The ANN model achieved high predictive accuracy (R 2 = 0.992), validating its use in guiding experimental optimization. A preliminary techno-economic assessment indicated that NbTa alloy coatings could achieve favorable payback periods of only a few years under plausible manufacturing scenarios, reinforcing their potential for large-scale PEMFC deployment. This integrated experimental-ML framework offers a powerful strategy for accelerating the development of corrosion-resistant, conductive coatings tailored for advanced PEMFC applications. Highlights : • Developed NbTa alloy coated SS316L bipolar plates for PEM fuel cells. • NbTa alloy coated SS316L improved corrosion potential and reduced corrosion current. • NbTa alloy coated SS316L lowered interfacial contact resistance and enhanced durability. • Increasing alloy coated thickness improved performance and met all DOE standards. • Developed machine learning models for predicting anti-corrosion coating performance. • ANN models with dropout achieved R 2 > 0.99 in predicting imaginary impedance parameters.
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 | 0,000 |
| 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) | 0,001 | 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 ».