Dynamic Kolmogorov–Arnold networks for time-varying degradation modeling in solid oxide fuel cells
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
Emerging power generation technologies such as solid oxide fuel cells (SOFCs) offer promising pathways for clean and efficient energy conversion. However, their material instability accelerates unexpected degradation, which remains a major barrier to large-scale commercialization. As a practical solution, control and diagnosis systems are integral to optimizing SOFCs’ lifetime and efficiency in real-world operations. Degradation mechanisms induce nonlinear, time-varying patterns in running fuel cells, affecting the effectiveness of control and diagnosis strategies. This study introduces a data-driven machine learning framework for predicting SOFC performance under degradation. Four lab-scale SOFCs were subjected to accelerated degradation tests, generating diverse run-to-failure datasets. To capture the complex, nonstationary dynamics in these data, a dynamic neural network based on Kolmogorov–Arnold approximation theory (DKAN) is developed. DKAN employs univariate splines as learnable activation functions, hierarchically adapting low-dimensional functions to diverse nonlinearities and temporal patterns. Comparative experiments against state-of-the-art sequence models, including LSTM, TCN, WaveNet, DGRU, Informer, and ConvRec, show that DKAN achieves on average 30% lower prediction error (across RMSE, WAPE, and MASE) and 55% faster inference relative to the baselines, while demonstrating superior generalization to unseen degradation patterns. Furthermore, statistical analyses using the Friedman–Nemenyi and ANOVA-Tukey tests confirm the significance of DKAN’s performance improvements across multiple datasets and metrics. These results highlight DKAN’s potential as a lightweight and scalable solution for real-time SOFC diagnostics and control.
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 | 0,001 |
| 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