Data-driven multi-objective optimization of flow field header design for PEM fuel cells
Notice bibliographique
Résumé
Optimizing reactant distribution in flow field plates is critical for proton exchange membrane (PEM) fuel cell performance. In this study, cathode flow field header designs are explored using a hybrid framework that integrates computational fluid dynamics (CFD), artificial neural networks (ANN), and the non-dominated sorting genetic algorithm II (NSGA-II). Twenty-seven CFD simulations, generated by varying header design, including its porosity (the ratio of fluid area with obstacles to that without obstacles), header size, and obstacle size, provide the dataset for training a multi-input multi-output surrogate ANN model, whereas the number and dimensions of flow channels in the active area are fixed to isolate header effects, with identical inlet and outlet headers to reduce design complexity, maintain symmetry, and ensure consistence and comparability. The trained model achieves high accuracy (R 2 = 0.999) and enables rapid evaluation of design alternatives. Multi-objective optimization through NSGA-II yields a Pareto front balancing flow uniformity and pressure drop. The optimized design achieves flow uniformity >92 % with a pressure drop of ∼1900 Pa, closely matching the CFD simulation outcomes. This integrated, data-driven approach lowers computational cost, accelerates header design exploration, and offers a practical pathway for advancing PEM fuel cell technology toward commercialization. • CFD-ANN-NSGA-II framework optimizes PEM fuel cell cathode header design. • Dataset of 27 CFD cases trains a high-accuracy ANN surrogate model (R 2 = 0.999). • NSGA-II optimization balances flow uniformity (>92 %) and pressure drop (∼1900 Pa). • Knee-point solution shows <1 % error compared to CFD validation results. • Developed framework cuts computational cost and aids scalable PEM fuel cell design.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».