Stochastic reconstruction of carbon fiber paper gas diffusion layers of PEFCs: A comparative study
سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 522
فایل این مقاله در 9 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_EES-6-1_006
تاریخ نمایه سازی: 11 خرداد 1398
چکیده مقاله:
A 3D microstructure of the non-woven gas diffusion layers (GDLs) of polymer electrolyte fuel cells (PEFCs) is reconstructed using a stochastic method. For a commercial GDL, due to the planar orientation of the fibers in the GDL, 2D SEM image of the GDL surface is used to estimate the orientation of the carbon fibers in the domain. Two more microstructures with different fiber orientations are generated and compared. The method is verified by comparing the commercial GDL (Toray TGP-H-060) model properties with other simulations or real GDL data. Three different reconstructed models are compared in terms of permeability, and the 3D pore size distribution of the models is also investigated. Through-plane (TP) and in-plane (IP) tortuosity, and the effects of binder addition on tortuosity are also discussed. For the TGH-H-060, tortuosity is derived to be 0.93, 1.50, and 1.42 in IP-x, IP-y, and TP-z directions, respectively. It is shown that adding binders to the fibrous skeleton increases the tortuosity of the pore phase.
کلیدواژه ها:
نویسندگان
Sepehr Sima Afrookhteh
Renewable Energy Research Center, Mechanical Engineering Department, Babol Noshirvani University of Technology, Babol, Iran
Jalil Jamali
Department of Mechanical Engineering, Shoushtar Branch, Islamic Azad University, Shoushtar, Iran
Mohsen Shakeri
Fuel cell research and Technology center, Mechanical Dept. Babol Noshirvani University of Technology, babol , Mazandaran
Majid Baniassadi
School of Mechanical Engineering, University of Tehran, Tehran, Iran
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 :