详细内容或原文请订阅后点击阅览
需要数字工作流以表征燃料电池材料
燃料电池正在为越来越多的清洁能源技术提供动力，从电动汽车到网格规模的电力解决方案。凭借其安静的运行，高能密度和使用点的零排放，它们为基于燃烧的技术提供了令人信服的替代方案。但是，扩展燃料电池以广泛采用取决于对影响其性能和可靠性的材料的更深入的了解...
来源:Lab Bulletin使用Thermo Scientific™Avizo™软件的深度学习孔后背的深度学习：由于毛孔背部*克服分割不准确*。
图1：原始SEM数据。
图2：毛孔的传统成像处理。
图3：孔的DL分割。
*数据由土耳其Sabanci大学提供
集成成像和AI辅助分段如何推进燃料电池研究
燃料电池正在为越来越多的清洁能源技术提供动力，从电动汽车到网格规模的电力解决方案。凭借其安静的运行，高能密度和使用点的零排放，它们为基于燃烧的技术提供了令人信服的替代方案。但是，扩展燃料电池以进行广泛采用取决于对影响其性能和可靠性的材料的深入了解。在这里，Thermo Fisher Scientific的材料科学电子显微镜产品专家Daniel Phifer探索了数字工作流程如何帮助获得这种理解。
固体氧化物燃料电池（SOFC）是由复杂的，多孔的多相材料建造的，必须平衡竞争要求，例如较强的离子电导率，气体渗透率，机械强度和热稳定性。这些特性之间的良好平衡取决于材料的微观结构：谷物如何连接，孔的分布方式以及流动路径的曲折程度。在SOFC中，较低的曲折度通常与更好的气体扩散和离子运输相关，这可以提高燃料电池的效率。
但是，获得这些属性的每个属性的平衡都需要高度准确的材料表征和分析，而传统技术正在努力交付。
数字工作流程中的数字工作流