.png){kind=icon}
返回
Microstructure-Informed Performance Boost in Solid Oxide Fuel Cells through Multiphysical Modeling and Machine Learning
.png){kind=icon}
PRE
AI
DOI：10.1039/D5TA03421C.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统固体氧化物燃料电池（SOFCs）宏观与微观结构的优化面临耗时实验迭代和参数空间探索不足的双重挑战。本研究提出了一种基于多物理场建模和机器学习的阳极支撑SOFC优化方法；旨在实现其宏观与微观结构的协同优化设计；从而确保功率密度的提升和失效概率的降低。研究首先基于多物理场建模构建了最大功率密度和失效概率的数据库；然后通过特征工程筛选出影响上述两个目标参数的10个关键特征。在此基础上；构建了15个机器学习预测模型；其中随机森林（RF）回归模型表现出优异的预测性能；最大功率密度和失效概率预测模型的判定系数（R²）分别达到0.99和0.95。遗传算法与RF的合作获得了关键参数的最优组合；确保电池在失效概率0.632范围内达到最高功率输出。基于阴极优化结果制备的SOFC纽扣电池进行了实验验证；其最大功率密度达到1.43 W/cm²；比初始样本提高了29%；验证了所提优化方法的有效性。此外；引入了Shapley加性解释（SHAP）以提高模型的可解释性。结果表明，大多数关键特征对两个目标量具有相反的影响；证明了考虑失效概率的必要性。
Keyword:
SOFC optimization
multiphysics modeling
machine learning
power density
failure probability
期刊
IF:
9.5
论文数:
3.3W
被引数:
21.7W
机构
暂无机构信息
引用论文
Performance Prediction Model of Solid Oxide Fuel Cell System Based on Neural Network Autoregressive with External Input Method.png)
Processes
OAAI
ProcessesIF0
OAAI分享收藏分享收藏SOFC stacks for mobile applications with excellent robustness towards thermal stresses用于移动应用的SOFC堆栈，对热应力具有出色的鲁棒性OAAI
OAAI分享收藏分享收藏Optimisation of processing and microstructural parameters of LSM cathodes to improve the electrochemical performance of anode-supported SOFCs优化LSM阴极的加工和微观结构参数以改善阳极支撑的sofc的电化学性能
PREAI
分享收藏Microstructural optimization of anode-supported solid oxide fuel cells by a comprehensive microscale model通过综合的微尺度模型优化阳极支撑的固体氧化物燃料电池的微观结构
PREAI
分享收藏
查看更多内容