Deciphering Oxygen Diffusion Resistance in the PEM Fuel Cell Cathode
Notice bibliographique
Résumé
Quantifying gas diffusion resistance in proton exchange membrane fuel cells (PEMFCs), particularly on the cathode side, is crucial for performance optimization. Oxygen must diffuse from the gas channel through porous transport layers to reach the active sites in the cathode catalyst layer, where the oxygen reduction reaction (ORR) occurs. The multi-layered structure of the membrane electrode assembly (MEA) creates a complex mass transport environment governed by both pressure-dependent molecular diffusion and pressure-independent Knudsen diffusion, which are determined by the molecular mean free path ( λ ) and the pore size ( d p ) of the layers [1]. Consequently, the total O 2 transport resistance ( R d ) consists of both a pressure-dependent component ( R P ) and a pressure-independent component ( R NP ) [2], [3]. Most existing theoretical and experimental studies focus on oxygen transport under low oxygen concentrations (c O 2 ) and low current densities ( i ) to minimize liquid water formation, often assuming ideal water management [4]. However, these conditions do not reflect real PEMFC operation, where air serves as the cathode reactant and liquid water accumulates at high current densities. Few studies assess oxygen transport under both dry and wet conditions [5]. Moreover, the widely used limiting current density method (LCM) is time-consuming, requiring extensive data collection and relying on subjective user interpretation when it comes to determining the exact value of the limiting current density. In this work, we systematically evaluate oxygen transport resistance at the PEMFC cathode under standard operating conditions using Greenlight Innovation’s novel polarization data acquisition methodology [6]. This approach employs closed-form solutions to extract polarization parameters from a limited set of fuel cell polarization data while validating the reliability of both the data and the derived parameters. Unlike conventional LCM, this method provides a closed-form solution for calculating R d across any current density regime under conditions that closely resemble real-world PEMFC operation, as illustrated in Fig. 1. This work begins with the physical characterization of the MEA to measure the thickness and pore size distribution of the diffusion media and cathode catalyst layer. These measurements allow us to calculate the Knudsen number, Kn d (λ ,d p ), which determines the dominant oxygen diffusion mechanism in each layer. Next, polarization curves are obtained at different pressures, enabling us to analyze R d as a function of i to visualize how oxygen transport resistance varies between dry and wet operating conditions. Additionally, plotting R d against pressure ( P ) allows us to distinguish between R P ( i ) and R NP ( i ) components. Our findings reveal a dynamic shift in dominant R d with i , highlighting a transition from gas-phase diffusion limitations to water-induced transport obstacles. This refined characterization provides deeper insight into the interplay between diffusion mechanisms within the gas diffusion media and catalyst layers, offering a more comprehensive understanding of mass transport phenomena in PEMFCs Figure 1
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| 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 ».