全面了解锂离子电池(LIBs)的使用寿命是设计耐用电池和优化使用方案的关键。尽管电池寿命预测方法正在蓬勃发展,但对老化和退化的根本原因的诊断尚未得到很好的开发,也没有针对广泛的设计和使用案例进行特定研究。
近日,爱达荷国家实验室Tanvir R. Tanim创建了一个基于机器学习(ML)的框架,该框架使用逐个周期记录的多个电化学信号来区分老化模式。
文章要点
1)主要的老化行为包括正极活性材料损失(LAMPE)和锂电镀或固体电解质界面(SEI)形成中锂存量损失(LLI)的组合,这从代表两种正极化学性质、两种电极负载和五种充电倍率的44个电池中得到了证实。
2)使用前50个循环内的特征,老化模式分类准确度为86%,并且在225个循环之后增加到88%。相同的特征可以量化寿命终止LAMPE的百分比,只有4.3%的误差。
参考文献
Chen et al., Battery aging mode identification across NMC compositions and designs using machine learning, Joule (2022)
DOI:10.1016/j.joule.2022.10.016
https://doi.org/10.1016/j.joule.2022.10.016