Generalization of a CFD Model to Predict the Net Power in PEM Fuel Cells
سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 417
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJHFC-6-1_003
تاریخ نمایه سازی: 30 آذر 1398
چکیده مقاله:
Qualitatively, it is known that the reactants content within the catalyst layer (CL) is the driving moments for the kinetics of reaction within the CL. This paper aimed to quantitatively express the level of enhancement in electrical power due to enrichment in the oxygen content. For a given MEA, a flow field (FF) designer is always willing to design a FF to maximize the content of oxygen in all regions of the CL. Using the guidelines provided in this paper, FF-designers can predict the enhancement in electrical power achieved due to 1% enrichment in oxygen content within the CL without cumbrous CFD computations. A three dimensional CFD tool has been used to answer to this question. It simulates a steady, single-phase flow of the reactant-product, a moist air mixture, in the air side electrode of a proton exchange membrane fuel cell (PEMFC). The task was performed for different channel geometries, all parallel straight flow fields (FF), and a relationship between the oxygen content at the face of the CL and the cell net power was developed. It is observed that at V=0.35 V, for 1% enrichment in oxygen content within the CL, the net power was enhanced by 3.5%.
کلیدواژه ها:
نویسندگان
Asrin Ghanbarian
Department of Aerospace Engineering Amirkabir University of Technology -AUT- (Tehran Polytechnic) ۴۲۴ Hafez Ave., Tehran, Iran, P. Code ۱۵۸۷۵-۴۴۱۳
Mohammad Jafar Kermani
Amirkabir Uni. of Tech., Hafez Ave., ۱۵۸۷۵-۴۴۱۳ Tehran, Iran Adjunct Fellow, Center for Solar Energy and Hydrogen Research (ZSW) ۸۹۰۸۱ Ulm, Germany
Joachim Scholta
Zentrum fuer Sonnenenergie-und Wasserstoff-Forschung (ZSW) Center for Solar Energy and Hydrogen Research Helmholtzstr. ۸, ۸۹۰۸۱ Ulm, Germany
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :