Permeability of ultra thin porous materials by poro-elastic response
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
Thin porous materials frequently make up important components in electrochemical systems. For example, fuel cell catalyst layer electrodes are thin (≈ 10 μm) porous layers that have high surface area to volume ratios, efficient mass transport, and lower material requirements. Accurate measurements of material properties are essential for understanding current and designing new electrochemical systems. However, these catalyst layers are often delicate and awkward to handle making it difficult to characterize them using conventional experimental methods. Therefore, it is important to develop new experimental techniques specific for thin porous materials.This work explored nanoindentation as a method to estimate the properties of thin porous materials. By fitting poroelastic finite element models to experimental stress relaxation curves, permeabilities of thin (300 – 2000 μm) agar gels of varying concentrations were determined and found to agree with reported literature values. However, similar measurements for fuel cell catalyst layers did not produce reliable permeability estimates. Stress relaxations were not present in saturated catalyst layer indentation measurements, indicating the experimental setup used in this project was unable to capture the dynamics of fluid movement in the layers. Poroelastic finite element models also showed the duration of stress relaxations decreased as indentation depths became large with respect to the total thickness of the sample. The reasons nanoindentation didn't successfully characterize the poroelastic behavior of catalyst layers are discussed and suggestions for future experimental designs are provided.
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 | 0,002 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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