在热和化学衰老下对PEMFC片进行超弹性和堆叠集体驱动的预测建模
Su-Yeon Park1, Akeem Bayo Kareem1, Toyyeebah Ajibola Mustapha2
1Department of Aeronautics, Mechanical and Electronic Convergence Engineering, Kumoh National Institute of Technology, 61 Daehak-ro, Gumi-si 39177, Republic of Korea.
Materials (Basel, Switzerland)
|November 27, 2024
概括
液 (LSR) 在各种条件下表现出比乙烯二烯单体 (EPDM) 密封件更高的应力. 机器学习准确地预测了这些关键工业材料的衰老效应.
科学领域:
- 材料科学 材料科学 材料科学
- 机械工程 机械工程
- 计算科学 计算科学
背景情况:
- 气材料,如乙烯二烯单体 (EPDM) 和液 (LSR) 在苛刻的工业应用中至关重要.
- 了解它们在压力和衰老下的机械行为对于性能和寿命至关重要.
- 现有的模型可能无法完全捕捉压力,老化和材料特性之间的复杂相互作用.
研究的目的:
- 调查EPDM和LSR封装材料中的应力分布和老化效应.
- 将超弹性建模与机器学习相结合,用于增强材料分析.
- 为工业环境中材料选择和预测性维护提供见解.
主要方法:
- 利用Mooney-Rivlin,Ogden和Yeoh的超弹性模型来评估材料的行为.
- 在没有老化,热老化和热和硫酸联合暴露下评估EPDM和LSR.
- 采用集体学习方法来预测密封材料的老化影响.
主要成果:
- 在所有测试条件下,液 (LSR) 始终显示出比乙烯二烯单体 (EPDM) 更高的峰值Von Mises应力.
- 在没有老化的情况下,LSR记录了24.17 MPa,而EPDM的14.96 MPa;老化条件保持了LSR更高的应力特征.
- 合体学习在预测衰老效应方面实现了98%的LSR准确率和84%的EPDM准确率.
结论:
- 与EPDM相比,LSR在高压力和恶劣的老化条件下表现出优越的弹性.
- 综合建模和机器学习框架为预测材料降解提供了强大的方法.
- 调查结果支持对燃料电池和类似应用的知情材料选择和预测性维护策略.
