Machine learning-assisted optimization of NbTa alloy coating thickness via DC magnetron sputtering for SS316L bipolar plates in PEMFCs
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
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.
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