State-of-health forecasting of solid oxide fuel cells using physics-informed temporal graph convolutional network
Notice bibliographique
Résumé
Solid oxide fuel cells (SOFCs) are electrochemical devices that convert the chemical energy of fuel directly into electricity, offering a promising clean energy alternative to combustion-based power generation. However, SOFC degradation remains a major barrier to commercialization, highlighting the need for accurate and interpretable health monitoring tools. This study develops a real-time state-of-health (SOH) forecasting model for SOFCs under Redox cycling using a physics-informed temporal graph convolutional network (TGCN) that integrates voltage and electrochemical impedance spectroscopy (EIS) data. Physically meaningful impedance features are extracted through distribution of relaxation times (DRT) analysis, enabling the network to capture electrochemical process interactions governing degradation. The proposed model achieves a root mean square error (RMSE) of 0.085, corresponding to a 37% reduction in forecasting error relative to a baseline long short-term memory (LSTM) model that excludes impedance information. It also yields consistent improvements across mean absolute error (MAE) and mean absolute percentage error (MAPE), with the coefficient of determination ( R 2 ) reaching 0.94. Trained and validated on eight Redox datasets totaling over 2.1 million samples, the model demonstrates strong generalization and real-time feasibility, with an inference latency below 3 ms. This framework enables interpretable and accurate degradation forecasting, supporting predictive maintenance and extending cell lifespan.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».