FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W4324046392> ?p ?o ?g. }

• W4324046392 endingPage "22" @default.
• W4324046392 startingPage "16" @default.
• W4324046392 abstract "Развитие автономных электронных систем и устройств различного назначения приводит к возрастанию требований к удельным энергетическим и надежностным характеристикам источников электропитания. Одними из наиболее перспективных автономных источников энергии являются водородные топливные элементы (ТЭ) с твердым полимерным электролитом. Такие элементы имеют сложные адаптивные алгоритмы управления, например, водным балансом мембранно-электродных блоков, и подвержены различным деградационным процессам, что обуславливает потребность в надежных средствах диагностики для коррекции режимов и обнаружения деградации на начальных этапах. Существующие методы оценки технического состояния топливных элементов имеют те или иные недостатки, касающиеся невозможности использования в процессе функционирования ТЭ, ограниченной информативности, высокой стоимости и т.д. В последнее время начал развиваться метод диагностики на основе модуляции сопротивления нагрузки, который позволяет получить существенный выигрыш по стоимости оборудования и получить информационные свойства сопоставимые с импедансной спектроскопией. Недостатком этого метода является сложная функциональная связь между измеряемыми релаксационными процессами и диагностическими признаками – параметрами эквивалентной схемы. Для решения задачи идентификации параметров электрической модели в данной статье предложено использовать нейронные сети. На модельных примерах получена погрешность восстановления параметров 0,02% при использовании шестислойной нейронной сети. Полученные результаты показывают достижимость высокой точность идентификации, могут применяться при разработке перспективных средств исследования и диагностики ТЭ с твердым полимерным электролитом, а также в системах управления энергетическими установками на их основе для повышения стабильности, эффективности и надежности. Кроме того, предложенные подходы могут быть адаптированы для других типов электрохимических источников энергии, например, литиевых аккумуляторов. The development of autonomous electronic systems and devices for various purposes leads to increasing requirements for specific energy and reliability characteristics of power sources. One of the most promising autonomous power sources are hydrogen fuel cells (FC) with solid polymer electrolyte. Such cells have complex adaptive control algorithms, such as the water balance of membrane-electrode units, and are subject to various degradation processes, which necessitates reliable diagnostic tools for mode correction and detection of degradation at the initial stages. The existing methods of assessing the technical condition of fuel cells have some or other drawbacks concerning the impossibility of use in the process of FC functioning, limited informativeness, high cost, etc. Recently, the method of diagnostics based on load resistance modulation, which allows obtaining a significant gain in the cost of equipment and obtaining information properties comparable with impedance spectroscopy, has begun to develop. The disadvantage of this method is a complex functional link between the measured relaxation processes and diagnostic attributes - parameters of the equivalent circuit. To solve the problem of identification of electric model parameters in this article it is proposed to use artificial neural networks. On the model examples the parameter recovery error of 0,02% was obtained using a six-layers deep neural network. The obtained results show the achievability of high identification accuracy, can be used in the development of promising research and diagnostic tools of FC with solid polymer electrolyte, as well as in control systems of power plants based on them to improve stability, efficiency and reliability. In addition, the proposed approaches can be adapted to other types of electrochemical energy sources, such as lithium batteries." @default.
• W4324046392 created "2023-03-14" @default.
• W4324046392 creator A5027811786 @default.
• W4324046392 creator A5028048552 @default.
• W4324046392 creator A5038301416 @default.
• W4324046392 date "2023-02-28" @default.
• W4324046392 modified "2023-10-14" @default.
• W4324046392 title "NEURAL NETWORK SYSTEM FOR RELAXATION DIAGNOSTICS OF HYDROGEN FUEL CELLS" @default.
• W4324046392 cites W1999227907 @default.
• W4324046392 cites W2005203397 @default.
• W4324046392 cites W2073330780 @default.
• W4324046392 cites W2495062713 @default.
• W4324046392 cites W3019472148 @default.
• W4324046392 cites W3036770933 @default.
• W4324046392 cites W4281558027 @default.
• W4324046392 doi "https://doi.org/10.25699/sssb.2023.47.1.009" @default.
• W4324046392 hasPublicationYear "2023" @default.
• W4324046392 type Work @default.
• W4324046392 citedByCount "1" @default.
• W4324046392 countsByYear W43240463922023 @default.
• W4324046392 crossrefType "journal-article" @default.
• W4324046392 hasAuthorship W4324046392A5027811786 @default.
• W4324046392 hasAuthorship W4324046392A5028048552 @default.
• W4324046392 hasAuthorship W4324046392A5038301416 @default.
• W4324046392 hasBestOaLocation W43240463921 @default.
• W4324046392 hasConcept C111919701 @default.
• W4324046392 hasConcept C121332964 @default.
• W4324046392 hasConcept C154945302 @default.
• W4324046392 hasConcept C163258240 @default.
• W4324046392 hasConcept C41008148 @default.
• W4324046392 hasConcept C43214815 @default.
• W4324046392 hasConcept C50644808 @default.
• W4324046392 hasConcept C62520636 @default.
• W4324046392 hasConcept C98045186 @default.
• W4324046392 hasConceptScore W4324046392C111919701 @default.
• W4324046392 hasConceptScore W4324046392C121332964 @default.
• W4324046392 hasConceptScore W4324046392C154945302 @default.
• W4324046392 hasConceptScore W4324046392C163258240 @default.
• W4324046392 hasConceptScore W4324046392C41008148 @default.
• W4324046392 hasConceptScore W4324046392C43214815 @default.
• W4324046392 hasConceptScore W4324046392C50644808 @default.
• W4324046392 hasConceptScore W4324046392C62520636 @default.
• W4324046392 hasConceptScore W4324046392C98045186 @default.
• W4324046392 hasIssue "1(47)" @default.
• W4324046392 hasLocation W43240463921 @default.
• W4324046392 hasOpenAccess W4324046392 @default.
• W4324046392 hasPrimaryLocation W43240463921 @default.
• W4324046392 hasRelatedWork W2156112973 @default.
• W4324046392 hasRelatedWork W2165174078 @default.
• W4324046392 hasRelatedWork W2374927173 @default.
• W4324046392 hasRelatedWork W2375484015 @default.
• W4324046392 hasRelatedWork W2379162918 @default.
• W4324046392 hasRelatedWork W2381812156 @default.
• W4324046392 hasRelatedWork W2382999845 @default.
• W4324046392 hasRelatedWork W2386387936 @default.
• W4324046392 hasRelatedWork W3011903925 @default.
• W4324046392 hasRelatedWork W2012842278 @default.
• W4324046392 isParatext "false" @default.
• W4324046392 isRetracted "false" @default.
• W4324046392 workType "article" @default.