深度学习增强了质子交换膜水电解仪中的泡动态的表征
André Colliard-Granero1,2, Keusra A Gompou1, Christian Rodenbücher3
1Theory and Computation of Energy Materials (IEK-13), Institute of Energy and Climate Research, Forschungszentrum Jülich GmbH, 52425 Jülich, Germany. m.eslamibidgoli@fz-juelich.de.
Physical chemistry chemical physics : PCCP
|March 14, 2024
概括
这项研究引入了一个深度学习框架,用于分析光学图像中的质子交换膜水电解器中的泡动力学. 该自动化方法能够快速,高通量分析关键的泡参数,提高研究效率.
科学领域:
- 电化学工程 电化学工程
- 材料科学是一种材料科学.
- 图像分析 图像分析
背景情况:
- 质子交换膜水电解器 (PEMWE) 对于绿色生产至关重要.
- 图像技术对于了解PEMWE性能,特别是泡动态,越来越重要.
- 分析来自小微企业的大量视频数据与传统方法相比,耗时.
研究的目的:
- 开发一个基于深度学习的自动化框架,用于对小微企业的泡动态进行高通量分析.
- 为应对分析来自小微企业光学视频记录的大型数据集的挑战.
- 为了从捕获的图像中获得快速,全面和可衡量的洞察力.
主要方法:
- 使用U-Net架构的深度学习框架被训练用于光学图像上的泡细分.
- 一个小的注释数据集35图像被利用为模型培训.
- 经过训练的模型对泡动态进行了高通量分析.
主要成果:
- 最好的U-Net模型实现了高性能指标:95%的精度,78%的回忆,86%的F1分数.
- 该方法允许快速提取时间解析的泡面积,尺寸分布和形状分析.
- 自动化分析显著加快了PEMWE中泡行为的评估.
结论:
- 深度学习提供了一种强大的方法来增强聚合物电解质膜水电解剂研究中的图像分析.
- 开发的框架有助于对电化学过程进行更有效,更有信息性的评估.
- 这种自动化为PEMWE技术的更快进步铺平了道路.


