Optimierung der Lebensdauer von Batteriepacks durch simulationsgestütztes Design

Die Gastblogger André Gugele Steckel und Thomas Bisgaard erörtern den Einsatz traditioneller Techniken zur Modellordnungsreduktion sowie der Ersatzmodellierung in der Software COMSOL Multiphysics^® für eine effiziente Entwicklung von Batteriesystemen.

Bei der Entwicklung von Batteriesystemen – ob groß oder klein – sind Vorhersagen zur Lebensdauer von entscheidender Bedeutung. In diesem Blog-Beitrag stellen wir eine Methode vor, mit der sich diese Untersuchungen mithilfe von Simulationen unter Verwendung neuer Modelle reduzierter Ordnung effizient und schnell durchführen lassen. Diese Methode stellt einen Paradigmenwechsel gegenüber der herkömmlichen „Build-and-Test“-Methode oder der Anwendung allgemeiner Designprinzipien dar, die bei der Entwicklung von Systemen, die Jahrzehnte lang halten sollen, kostspielig, zeitaufwendig und ungenau sein können. Im Rahmen der neuen Methode überzeugt die Software COMSOL Multiphysics^® durch ihre Multiphysik-Modellierungsfähigkeiten und – was für dieses Beispiel besonders wichtig ist – durch die Implementierung der Ersatzmodellierung zur Modellordnungsreduktion.

Einführung

Marktwachstum im Bereich Batterien

Der Absatz von Elektroautos überschritt im Jahr 2022 die 10-Millionen-Marke und trug maßgeblich zum Anstieg der Nachfrage nach Lithium-Ionen-Batterien für Kraftfahrzeuge um 65 % im selben Jahr bei (Ref. 1). Auch der Einsatz von Batterien zur großtechnischen Energiespeicherung stößt auf zunehmendes Interesse, da sich diese im Vergleich zu herkömmlichen, auf Schwerkraft basierenden Verfahren wie der Wasserkraft besser skalieren lassen. Die Effizienz, Langlebigkeit und Recyclingfähigkeit von Batteriepacks sind entscheidende Designvorgaben, um Nachhaltigkeitsziele zu erreichen, was auch einen verantwortungsvollen Umgang mit wichtigen Rohstoffen wie Lithium und Nickel beinhaltet.

Warum Simulation?

Die Simulation ist ein wichtiges Werkzeug, das Ingenieuren hilft, Designziele mit geringem Ressourcen- und Materialaufwand zu erreichen, da sie die Anzahl der experimentellen Iterationen reduziert und verhindert, dass Designs unnötige Überkapazitäten aufweisen. Allerdings sind Ingenieure oft gezwungen, sich auf potenziell verzerrende Annahmen und nicht-physikalische Parameter zu stützen, um die Lücke zwischen Simulationen im kleinen Maßstab (Elektrochemie einer einzelnen Zelle) und Simulationen im großen Maßstab (Batteriepack) zu überbrücken. In dem hier diskutierten revolutionären integrierten Ansatz werden Deep Neural Networks (DNN) eingesetzt, um die Skalen so zu überbrücken, dass die hohe Genauigkeit des Modells bei geringen Rechenkosten erhalten bleibt.

Dieser Ansatz ermöglicht es, die Leistungsminderung an jedem Punkt eines 3D-Batteriepackmodells während Entlade- und Ladezyklen mit voller Zeitauflösung zu berechnen. Mit diesen Simulationswerkzeugen können Entwicklungsingenieure beispielsweise realistische Nutzungsmuster einbeziehen, um Batteriemanagementsysteme (BMS) und Temperaturregelsysteme zu optimieren sowie die Rentabilität zu steigern, indem sie Kapazität, Lebensdauer und Anwendungsspezifikationen aufeinander abstimmen. Einen Überblick über die Modellskalen und Funktionen bietet Abbildung 1.

Methodik

Die hier vorgestellte Methodik dient der multiskaligen und multiphysikalischen Modellierung von Batterien. Der Ansatz ermöglicht es, bis ins kleinste Detail zu modellieren und diese Ergebnisse zu nutzen, um das Modell auf den gesamten Batteriepack eines Fahrzeugs auszuweiten. Diese multiskalige Modellierung reicht vom detaillierten elektrochemischen Transport von Lithium zwischen Anode und Kathode – einschließlich der Diffusion in Speicherpartikel – bis hin zur Modellierung auf Systemebene einer einzelnen Batterie sowie mehrerer miteinander verbundener Batterien in einem Pack.

Wir haben eine Kombination aus traditionellen Verfahren zur Modellordnungsreduktion und den in COMSOL^® beschriebenen Ersatzmodellierungsverfahren verwendet. Durch den Einsatz von DNN ist es uns gelungen, Multiskalensysteme auf eine Weise zu modellieren, die zuvor nicht möglich war.

Abbildung 1. Zur Simulation von Batteriepacks wurde ein Multiskalenansatz verwendet, wobei jede Modellskala unterschiedliche Merkmale aufwies.

Mikroskala: Elektrochemie

Eine Lithium-Ionen-Batterie (LIB) besteht aus einer sich wiederholenden Abfolge von Schichten: Anode, Separator, Kathode und beidseitige Stromkollektoren (Abbildung 2). Jede Schicht hat typischerweise eine Dicke im Bereich von 5 µm bis 60 µm. Anode, Separator und Kathode sind poröse Strukturen. In den Matrizen befindet sich ein flüssiger Elektrolyt. Graphit ist das am häufigsten verwendete Anodenmaterial. Eine Graphitanode kann mit einer NMC-Kathode (Nickel–Mangan–Kobalt) oder einer LFP-Kathode (Lithium-Eisenphosphat) kombiniert werden. Der nichtleitende Separator ermöglicht den Elektrolyttransport. Der Elektrolyt besteht aus dissoziiertem Salz (üblicherweise LiPF₆) in einem Lösungsmittel (üblicherweise Alkylcarbonate). Es ist zu beachten, dass derzeit an Batterien der nächsten Generation mit anderen chemischen Zusammensetzungen gearbeitet wird, darunter Natrium-Ionen-Batterien (als Ersatz für Lithium-Ionen-Batterien) und Festkörperbatterien.

Abbildung 2. Der Aufbau einer Lithium-Ionen-Batterie.

Das Doyle-Fuller-Newman-Modell (Ref. 2) ist das am häufigsten verwendete Modell bei LIB-Simulationen. Die Elektrodenbereiche werden hinsichtlich des Lithium-Ionen-Transports als homogen behandelt, enthalten jedoch eine zusätzliche Dimension, die den Radius der Elektrodenpartikel innerhalb des Elektrodenbereichs darstellt. Bei der Modellierung einer Batterie in 1D erhöht die Einbeziehung einer radialen Dimension daher die Dimensionszahl um eins, woraus sich der gebräuchliche Begriff „Pseudo-2D“ ergibt (Abbildung 3). Li-Ionen in der Elektrolytlösung fungieren als Ladungsträger und bewegen sich frei in der Elektrolytlösung.

Abbildung 3. Das pseudo-zweidimensionale (P2D) Modell der Lithium-Ionen-Batterie, das DFN-Modell. Dieses Multiskalenmodell (Zellen- und Partikelskala) ist im Battery Design Module in den Varianten P2D, P3D und P4D verfügbar. Außerdem ist es als vereinfachte P1D-Version verfügbar.

Wenn sich eine Batterie schnell entlädt, wird das Lithium nahe der Oberfläche der Elektrodenpartikel schneller aufgebraucht, als es durch Diffusion aus dem Inneren wieder aufgefüllt werden kann. Dieses Ungleichgewicht führt zu einem erheblichen Spannungsabfall und verringert letztendlich die verfügbare Energiemenge, insbesondere bei niedrigen Temperaturen, da die Diffusionsrate dann geschwindigkeitsbestimmend ist. Unter der Annahme kugelförmiger Elektrodenpartikel reagiert interkaliertes oder deinterkaliertes Lithium mit der Oberfläche der Elektrodenpartikel mit einer Geschwindigkeit i_{tot,j}:

Interkaliertes Lithium mit der Konzentration c_{P,j} diffundiert innerhalb der Elektrodenpartikel mit dem Radius \delta_{P,j} (radiale Koordinate r) und dem Diffusionskoeffizienten D_{eff,S,j}. F ist die universelle Faraday-Konstante, t die Zeit und j ein Index, der die Anode (j=n) oder die Kathode (j=p) bezeichnet, um zwischen den physikalischen Eigenschaften der Bereiche zu unterscheiden.

Bei einer Lithium-Ionen-Batterie (LIB) nimmt die elektrische Kapazität im Laufe der Zeit ab. Abhängig von den bisherigen Einsatzbedingungen steigt der Innenwiderstand aufgrund verschiedener Degradationsmechanismen an. Zu den wichtigen Faktoren, die den im Laufe der Zeit beobachteten Kapazitäts- und Leistungsverlust beeinflussen, zählen die Temperatur, der Ladezustand und das Lastprofil. Aus diesem Grund kommt es im Laufe der Nutzung der Batterie sowohl zu einem Kapazitäts- als auch zu einem Leistungsverlust. Als primärer Degradationsmechanismus wird die Festkörper-Elektrolyt-Grenzschicht (SEI) betrachtet, die sich während der Lade- und Entladezyklen einer Batterie bildet. Unter Verwendung des Ansatzes von Safari et al. aus Ref. 3 lässt sich die SEI-Bildung modellieren. Dabei diffundiert das Lösungsmittel (Ethylcarbonat, EC) durch die SEI-Schicht und reagiert an der Grenzfläche mit den Elektrodenpartikeln. Daraus bildet sich eine neue SEI-Schicht, und bei diesem Prozess werden sowohl das Lösungsmittel als auch Lithium verbraucht (Abbildung 3). Einige konkurrierende Phänomene sind Lithium-Plattierung, Kathodenbruch und Elektrodenbruch, die in dieser Arbeit nicht beschrieben werden. Um den für das Elektrodenpartikel definierten 2D-Bereich zu erweitern, kann das Wachstum der SEI-Schicht unter Verwendung des folgenden Modells einbezogen werden:

Diese Gleichungen ermöglichen es, die Dicke der SEI-Schicht (Degradationsstatus) \delta_{SEI} an jeder beliebigen Stelle einer Batterie anhand der Wachstumsrate \frac{d\delta_{SEI}}{dt} zu verfolgen. Es wird angenommen, dass die Dicke der SEI-Schicht im Vergleich zum Partikelradius gering ist und dass der Verlust an Lithium im Elektrolyten im Vergleich zum Ausgangsgehalt gering ist. Die räumlich abhängige Lösungsmittelkonzentration in der SEI-Schicht beträgt c_{EC,P}, der Diffusionskoeffizient D_{EC,P}, die Lithium-Konzentration im Elektrolyten c_{solv} und die Porosität der SEI-Schicht \varepsilon_{SEI}. Der Verbrauch an Lithium-Ionen bei der Bildung der SEI-Schicht trägt zu i_{tot,j} bei.

Abbildung 4. Degradation durch die Bildung einer Festkörper-Elektrolyt-Grenzschicht.

Anpassung der Parameter an reale Daten

Batteriemodelle weisen eine Vielzahl physikalischer Parameter auf. Aus der Perspektive der First-Principles-Methode lässt sich eine Teilmenge dieser Parameter in idealisierten Experimenten ermitteln, z. B. durch die kalorimetrische Bestimmung der Wärmeübertragungseigenschaften und die mikroskopische Bestimmung der Elektrodencharakteristika. Eine weitere Teilmenge der Parameter wird als systemspezifisch betrachtet, und diese Parameter werden unter experimentellen Bedingungen hinsichtlich des Zyklusverhaltens von Einzelzellenbatterien angepasst. Datenbanken wie Battery Archive bieten standardisierte und bereinigte experimentelle Daten verschiedener Batteriechemien unter unterschiedlichen Bedingungen, wie z. B. Temperaturen, Ladestrom, Entladestrom und Gesundheitszustand. Auf der Grundlage von Systemwissen wurde eine Strategie zur Parameteranpassung entwickelt, die eine sequenzielle Parameteranpassung je nach Datentyp ermöglicht. So wurden beispielsweise die Zeitreihendaten des ersten Zyklus verwendet, um kinetische Daten an die Potential-Zeit-Daten anzupassen, und die Zeitreihendaten der Zyklen wurden zur Schätzung der Degradationsparameter herangezogen. Bei den kinetischen Parametern wurden Arrhenius-artige Ausdrücke (zwei Parameter) für den Diffusionskoeffizienten der Elektrode und die Butler-Volmer-Ratenkonstante der Austauschstromdichte verwendet, um Temperaturabhängigkeiten zu erfassen.

Da die Parameteranpassung eine stark nichtlineare Dynamik und eine Zeitintegration beinhaltet, wurde ein Brute-Force-Verfahren gewählt, bei dem zahlreiche Stichproben auf der Grundlage eines durch Zufallsstichproben definierten Versuchsplans simuliert wurden und die Zielfunktion (Kostenfunktion) für jede Simulation berechnet wurde. Als Zielfunktion diente die mittlere quadratische Abweichung zwischen den simulierten und den experimentellen Zellpotentialen. Zur Stichprobenentnahme aus gleichmäßig verteilten Parameterbereichen wurde das Latin-Hypercube-Sampling (LHS) verwendet.

Mit dem Application Builder in COMSOL Multiphysics^® wurde ein benutzerdefiniertes Programm entwickelt, das es ermöglichte, Parametersätze und Datensätze automatisch zu durchlaufen und die Zielfunktion auszuwerten. Tabelle A zeigt die sechs experimentellen Datensätze, die jeweils aus Hunderttausenden von Punkten in der Zeitreihe bestehen. Bei allen Datensätzen wurde unter Verwendung desselben Parametersatzes eine hervorragende Übereinstimmung erzielt. Abbildung 5 veranschaulicht einen Vergleich zwischen dem simulierten und dem experimentellen Verschleißverhalten einer Batteriezelle in Bezug auf Lade- und Entladeenergie (W*h) sowie Kapazität (A*h).

Tabelle A. Die für die Parameteranpassung unter qualitativen Bedingungen herangezogenen Datensätze.

Abbildung 5. Zyklusdaten für eine einzelne NMC-Batteriezelle, in denen die simulierte und die experimentell ermittelte Lade- und Entladeenergie sowie die Lade- und Entladekapazität verglichen werden. Datenquelle: Ref. 4.

Batteriesimulation in 3D: Aufbauend auf dem elektrochemischen Modell

Viele Phänomene treten ausschließlich in 3D auf, und um diese Phänomene vollständig und genau zu modellieren, muss die Modellierung daher ebenfalls auf 3D ausgeweitet werden. Dazu gehört beispielsweise die Modellierung der Kühlung an den Seiten der Batteriepacks, der Erwärmung der Sammelschiene sowie der Stromverteilung über die vielen verschiedenen Einzelbatterien hinweg. Ein weiterer zu berücksichtigender Aspekt ist, dass die lokale Degradation in bestimmten Teilen der Batterie aufgrund von Temperaturunterschieden innerhalb der Batteriepacks stärker ausfällt als in anderen Teilen der Batterie. Wichtig ist außerdem zu beachten, dass die Erhöhung der Dimensionen mit erheblichen Rechenkosten verbunden ist. Zudem wäre es bei Modellen im Maßstab einer kompletten Batterie nicht möglich, denselben Detaillierungsgrad wie bei der 1D-Chemie zu erreichen, da der Rechenaufwand dafür schlichtweg zu groß wäre. Einige der in der 1D-Chemie berechneten Informationen müssen in das vollständige 3D-Modell übernommen werden, damit dieses die Funktionen der Batterie genau abbilden kann; ein Großteil der Informationen wird jedoch überhaupt nicht benötigt. Daher lässt sich die Chemie wahrscheinlich mit einem Modell reduzierter Ordnung beschreiben, sodass die Einbindung in ein 3D-Modell rechnerisch möglich ist.

In dieser Arbeit wurde die DNN-Architektur verwendet, die in COMSOL Multiphysics^® Version 6.1 implementiert wurde. Für die wichtigsten Ein- und Ausgabegrößen des eindimensionalen Zellchemie-Modells konnten wir einen Datensatz für das Training des DNN generieren.

Abbildung 6. Schematischer Ablauf der Datengenerierung, des DNN-Trainings und der Approximation des P2D-Modells mithilfe eines DNN-basierten Ersatzmodells.

Um einen repräsentativen Bereich der Parameter zu erhalten (Abbildung 6), wurde ein LHS für die wichtigsten Steuerparameter durchgeführt: Temperatur, Strom (zur Verwendung mit der aufgezeichneten Spannung zum Trainieren des DNN), Ladezustand und Dicke der SEI-Schicht. Es ist möglich, das LHS im Model Builder in COMSOL Multiphysics^® durchzuführen, wir haben uns jedoch dafür entschieden, die Methoden im Application Builder zu nutzen, um jede einzelne Simulation individuell steuern zu können. Auf diese Weise war es möglich, die Simulation auf viele parallele COMSOL^®-Sessions zu verteilen und die Ergebnisse automatisch in einer Datei zu sammeln. Darüber hinaus ermöglichte diese Methode eine Verkürzung der Zeit, die benötigt wurde, um die erforderlichen Daten zu generieren, sobald Änderungen am 1D-Modell der chemischen Zelle vorgenommen wurden. Die Skriptsprache im Application Builder erleichtert zudem die Automatisierung der gesamten Abfolge von Vorgängen, was von Vorteil wäre, wenn diese in ein benutzerfreundliches COMSOL-Modell oder möglicherweise eine COMSOL-App für Kunden integriert werden soll.

Nach jeder Iteration der Berechnung des 1D-Modells der chemischen Zelle wurden bestimmte Ergebnisse gespeichert. Konkret wählten wir Werte aus, die in das vollständige 3D-Modell integriert werden sollten, z. B. die Vorhersage der Wachstumsgeschwindigkeit der SEI-Schicht, um diese zeitlich in die Dicke der SEI-Schicht zu integrieren.

Mit diesem Datensatz bestand die Aufgabe nun darin, eine Konfiguration des neuronalen Netzes hinsichtlich der Aktivierungsfunktionen, der Tiefe und Breite der neuronalen Ebenen zu finden, die die optimale Leistung sowie die optimale Lernrate liefern würde. Das DNN wurde danach bewertet, wie genau es den Out-of-Sample-Datensatz vorhersagen konnte. Ein weiterer wichtiger Leistungsparameter war bei einer bestimmten Breite und Tiefe des neuronalen Netzes die Berechnungszeit für dieses Netzwerk. So dauerte beispielsweise das Training eines sehr breiten und tiefen DNN nicht nur lange, sondern führte auch zu einer deutlich längeren Wartezeit auf die Ergebnisse.

Abbildung 7. Animation, die von links nach rechts das Temperaturprofil, den Ladezustand der Batterie und die Dicke der SEI-Schicht während einer einzelnen Entladung zeigt. Aufgrund der Randbedingung einer konstanten Raumtemperatur am äußersten rechten Ende der Batterie treten im System inhomogene Effekte auf.

Abbildung 7 veranschaulicht die 3D-Modellierung und -Simulation, die die Temperatur, den Ladezustand und die Dicke der SEI-Schicht berücksichtigt. Die Abbildung gibt einen Hinweis darauf, welcher Belastung die Batterie während ihres Betriebs ausgesetzt ist. Die Ergebnisse veranschaulichen unter anderem, wie sich die Wärme im Inneren der Batterie entwickelt und verteilt und wie sich verschiedene Bereiche im Inneren der Batterie hinsichtlich des Wachstums der SEI-Schicht verschlechtern. Dies ist natürlich ein dynamischer Effekt, sodass die Verschlechterung Einfluss darauf hat, wie die Batterie in Zukunft geladen und entladen wird, wie sich die Temperatur dadurch im System verteilt und wie die Batterie wiederum aufgrund der Stellen, an denen die SEI-Schicht wächst, degradiert.

Bei dem in Abbildung 7 dargestellten System ist zu erkennen, dass aufgrund der inhomogenen Temperatur auch die Entladungsrate und das Wachstum der SEI-Schicht inhomogen sind.

Größere Batteriepacks und Multiphysik-Modellierung

In der Produktion werden Batterien in der Regel nicht einzeln, sondern in Batteriepacks mit vielen einzelnen Batterien betrieben (Abbildung 8). Daher ist es wesentlich interessanter, ganze Batteriepacks zu modellieren. Konkret könnte die Modellierung für Batteriepacks eines Elektrofahrzeugs durchgeführt werden. Die Modellierung des gesamten Batteriemoduls oder -packs ist zwar mit einem höheren Rechenaufwand verbunden, liefert jedoch ein genaueres Bild des thermischen Verhaltens der Batterien im Betrieb und ihrer Alterung. Durch die Einbeziehung von Strömungs- und Stromverteilungen in das Modell ergibt sich ein realistischeres Bild davon, wie Wärme im System erzeugt und abgeführt wird. Da das Temperaturprofil und der Ladezustand berechnet werden, lässt sich mithilfe des Modells vorhersagen, an welchen Stellen in den Batterien es zu einer SEI-Ablagerung und somit zu einer Alterung kommen wird. Da die Temperatur nicht im gesamten Batteriepack gleichmäßig verteilt ist, verläuft auch die Alterung nicht gleichmäßig.

Abbildung 8. Die Skalierung der Batterie von einer Einzelzelle über ein Batteriemodul bis hin zu einem Batteriepack für die Energiespeicherung. Die Abbildung veranschaulicht zudem die physikalischen Zusammenhänge, die bei der Modellierung ganzer Module genauer berücksichtigt werden können, darunter Strömung, Stromverteilung sowie ohmsche Verluste und Erwärmung.

Strom, Temperatur, Ladezustand und SEI-Schicht werden alle mithilfe der in COMSOL^® aus dem mathematischen Modul Weak Form entwickelten schwachen Formulierung berechnet.

Die Strömung und die Temperatur um das Pack herum werden anhand herkömmlicher Formeln berechnet, die in den Add-Ons CFD Module und Heat Transfer Module verfügbar sind. Die Strömung und die Temperatur werden anschließend mithilfe definierter Temperatur- und No-Slip-Randbedingungen miteinander gekoppelt.

Abbildung 9. Eine Animation, die die Auswirkungen einer Entladung auf ein gesamtes Batteriemodul veranschaulicht. Von links nach rechts: Temperaturprofil, Ladezustand und Dicke der SEI-Schicht. Aufgrund der Randbedingung einer konstanten Raumtemperatur an den äußeren Seitenkanten des Batteriemoduls kommt es im System zu inhomogenen Effekten.

Anhand dieser Modelle (Abbildung 9) lässt sich erkennen, dass wir die Verteilungen von Temperatur, Ladung und der SEI-Schicht-Degradation in den Batterien berechnen können. Diese Informationen können Herstellern von Batteriepacks wertvolle Erkenntnisse über den optimalen Betrieb des Batteriesystems und seine zu erwartende Lebensdauer liefern.

Zusammenfassung

Durch die Nutzung dieser Möglichkeiten zur Ersatzmodellierung in COMSOL^® konnten wir sehr große Systeme modellieren und dabei chemische Eigenschaften sowie Simulationsergebnisse berücksichtigen – etwas, das uns sonst nicht möglich gewesen wäre. Dadurch konnten wir Erkenntnisse über komplette Batteriepacks gewinnen und nachvollziehen, wie sich diese über mehrere Lade- und Entladezyklen hinweg verhalten und wie sich die Leistungsminderung im gesamten System entwickelt. Diese Informationen können so genutzt werden, bevor die Batterie in Produktion geht oder einem mehrtausendstündigen Test unterzogen wird.

Die hier vorgestellte Modellierungstechnik ist nicht auf Batterien beschränkt. Die Methodik lässt sich auf viele Systeme anwenden, die zwar nicht denselben physikalischen Grundlagen unterliegen, jedoch hinsichtlich ihres Betriebsmaßstabs ähnliche rechnerische Herausforderungen aufweisen und in denen ähnliche lang anhaltende transiente Effekte eine wichtige Rolle spielen. In solchen Fällen können die Ersatzmodellierung und die DNN-Funktionalität in COMSOL^® ein wichtiges Werkzeug für Untersuchungen sein.

Über die Autoren

André Gugele Steckel ist leitender Modellierungsspezialist bei Resolvent, einem COMSOL Certified Consultant mit Sitz in Dänemark. Er hat einen Master of Science in Physik und Nanotechnologie sowie einen Doktortitel in Physikalischer Technik vom Fachbereich Physik der Technischen Universität Dänemark (DTU). Seine Arbeit umfasst Multiphysik-Simulationen mit besonderem Schwerpunkt auf Akustofluidik, elektromechanischen und piezoelektrischen Wandlern sowie Dünnschichttechnologien. Er hat Beiträge zu den Tagungsberichten der COMSOL Conference zum Thema Batteriemodellierung verfasst, in denen er Themen wie Methoden zur Vorhersage der Lebensdauerabnahme sowie die Analyse der Auswirkungen von Betriebs- und Fertigungsprozessen auf die Batterieleistung unter Verwendung von High-Fidelity-Modellen und Ersatzmodellen behandelt hat.

Thomas Bisgaard war leitender Simulationsspezialist bei Resolvent. Er hat einen Master of Science und einen Doktortitel in Chemieingenieurwesen von der DTU. Seine Fachkenntnisse umfassen multiphysikalische und multiskalige mathematische Modellierung, Prozessdynamik, Optimierung und Regelung; im Mittelpunkt seiner Doktorarbeit standen wärmeintegrierte Destillation und optimale Steuerung. Er hat an technischen Arbeiten zur Modellierung der Batterieleistung und -lebensdauer mitgewirkt, wobei er mechanistische elektrochemische Modelle mit Ersatzmodellansätzen kombinierte, um die Auswirkungen von Betriebs- und Herstellungsprozessen zu bewerten.

Referenzen

1. “Trends in batteries,” IEA; https://www.iea.org/reports/global-ev-outlook-2023/trends-in-batteries
2. M. Doyle, T.F. Fuller, and J. Newman, “Modelling the Galvanostatic Charge and Discharge of the Lithium/Polymer/Insertion Cell,” Journal of the Electrochemical Society, 140(6), 1993; https://iopscience.iop.org/article/10.1149/1.2221597/pdf
3. M. Safari et al., “Multimodal Physics-Based Aging Model for Life Prediction of Li-Ion Batteries,” Journal of the Electrochemical Society, 156(3): 2009, A145-153; https://iopscience.iop.org/article/10.1149/1.3043429
4. Battery Archive; http://www.batteryarchive.org/

Weitere Ressourcen von Resolvent

Weitere Informationen zu dem in diesem Blog-Beitrag behandelten Thema sowie zur Arbeit von Resolvent finden Sie unter:

• “Extending battery pack lifetime using virtual design and testing”, an article by Resolvent
• Resolvent’s COMSOL Certified Consultants page

Danksagung

Die Autoren bedanken sich für die finanzielle Unterstützung durch die europäische M-ERA.NET-3-Ausschreibung (Projekt 9468 „LaserBATMAN“), den dänischen Innovationsfonds (Fördernummer 1139-00001) und die schwedische Regierungsbehörde für Innovationssysteme (Vinnova, Fördernummer 2022-01257). Ziel des Projekts ist die Optimierung der Batteriepack-Fertigung mit Schwerpunkt auf Fügeverfahren. Das Konsortium setzt sich aus folgenden Unternehmen und Institutionen zusammen: Universität Skövde (Schweden), Technische Universität Dänemark (Dänemark), Volvo Group Trucks Operations (Schweden), Aurobay Powertrain Engineering Sweden (Schweden) und Resolvent (Dänemark).