Optimization of catalyst composition and performance for PEM fuel cells: A data-driven approach
Notice bibliographique
Résumé
Transportation’s rising negative environmental impacts and energy demands highlight the urgent need for clean alternative power sources such as proton exchange membrane (PEM) fuel cells. However, the high cost of platinum catalysts hinders its commercialization, making the development of low-platinum, high-performance catalysts essential for achieving net-zero targets. This study employs a data-driven machine learning approach to optimize the oxygen reduction reaction (ORR) catalyst composition and predict its long-term performance using extreme gradient boosting (XGB), artificial neural networks (ANN), and genetic algorithm (GA). Linear sweep voltammetry (LSV) data is collected for three distinct catalyst compositions and divided into separate datasets. Data is preprocessed and model hyperparameters are fine-tuned to enhance model accuracy. XGB models trained on these datasets accurately predicted LSV polarization plots for unseen data, as evidenced by R 2 values > 0.99. To further optimize ORR catalyst design, an ANN model trained on data from three different catalyst compositions is integrated with a genetic algorithm. This predictive framework effectively identified optimal catalyst composition by maximizing the mass activity of the catalyst. Experimental validation of this optimized composition yielded strong agreement with predicted LSV current values, confirming the reliability of the ANN-GA approach. This research underscores the potential of machine learning-based predictive frameworks to accelerate the development of advanced ORR catalysts for PEM fuel cells. • Developed data-driven models for predicting catalyst composition and performance. • XGB model predicted linear sweep voltammetry current with an accuracy of R 2 > 0.990. • ANN with a genetic algorithm identified the optimal ORR catalyst composition. • Optimal composition is experimentally validated with high accuracy (R 2 = 0.997). • Data-driven models present effective solutions for advancing catalyst development.
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 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».