PulseAugur
中
实时 11:58:40
English(EN) Physics-informed distribution of relaxation times estimation and latent-space condition monitoring of solid oxide fuel and electrolysis cells from electrochemical impedance spectroscopy

新型AI模型从燃料电池数据中估算弛豫时间

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的、基于物理信息的卷积自编码器，用于从电化学阻抗谱（EIS）数据中估算弛豫时间分布（DRT）。该方法通过将阻抗与DRT之间的离散化关系嵌入训练过程，解决了逆问题的病态性质，确保了阻抗一致的输出。该模型已证明其能够解析重叠的弛豫过程，并能准确地从固态氧化物燃料电池和电解池数据集中重建测量值，实现了低误差率。此外，模型中学习到的潜在表示按弛豫时间尺度组织，通过捕捉运行变化和长期退化，实现了有效的状态监测。 AI

影响 该AI模型为分析复杂的科学数据提供了一种更鲁棒、更具可解释性的方法，有望改善能源系统的状态监测和诊断。

排序理由 详细介绍用于科学数据分析的新型AI模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新型AI模型从燃料电池数据中估算弛豫时间

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · \v{Z}an Gorenc, \v{Z}iga Gradi\v{s}ar, Felix M\"utter, Vanja Suboti\'c, Pavle Bo\v{s}koski ·

    基于物理信息弛豫时间分布估计及固态氧化物燃料电池与电解池的潜在空间条件监测的电化学阻抗谱研究

    arXiv:2608.13305v1 Announce Type: cross Abstract: Estimating the distribution of relaxation times (DRT) fromelectrochemical impedance spectroscopy (EIS) is an ill-posed inverse problem that is highly sensitive to regularisation choices. We propose a physics-informed convolutional…

相关实体

相关话题