首页/文章/ 详情

基于AutoLion仿真预测锂电池膨胀和应力应变

1小时前浏览1


  //  

来源:Gamma Technologies

Written By: Ajaykrishna Ramasubramanian 、 Joe Wimmer




 01

  背景

锂电池在大多数商业电子和便携式设备中使用,在储能领域占据着高度的特权地位,已成为汽车运输电气化和可再生能源集成的一种多功能和高效率的选择。预计到2025年,全球锂电技术市场将超过900亿美元。因此,锂电池的可靠性在这种大规模应用中非常关键,并且对社会经济有直接影响。


对于锂电池来说,不从力学的角度了解退化机制,是无法完成下一代高能量密度电池研发。一方面,电极中重复的体积应变,其电极材料(石墨,层状/尖晶石/橄榄石氧化物)的能量密度不断变化从几个百分点到几百个百分点,破坏了电池的结构稳定性,并恶化了循环中的容量保持率。另一方面,机械的应力应变会影响电化学过程的动力学,例如质量传递,电荷转移,界面反应和相变,从而影响电池的性能,容量和效率。针对这些情况,一些电池组设计还包含散热片,热敏电阻,泡沫隔膜和重复框架元件,以容纳电池,保持温度并控制体积的变化。


所有的电池产品研发过程都要了解机械和电化学现象之间的复杂联系。GT-AutoLion中的机电化学模型有效地捕获了这种联系,使工程师能加速电池技术的开发,同时减少所需的测试工作和成本。

   




 02

  机电化学模型是如何工作的?

锂化和脱锂等电化学过程导致活性材料的体积发生显著变化,这种体积变化导致电池性能改变。因此,为了模拟电池性能的这种变化,AutoLion能够实现在各种条件下预测电池性能的柔性膨胀模型。这些模型包括各种机械应变机制,如套管约束、泡沫填料约束和施加的孔压力约束。此处应用的机械约束类似于电池测试或常规电池使用期间发生的条件。基于这种类比,这些条件大致可分为三大类:(i)刚性壁(零应变和高应力),(ii)自由膨胀(高应变和零应力)和(iii)混合约束的现实情景(非零应力和应变),如下图所示。下图反应了不同机械载荷条件下,脱锂(放电)与锂化(带电)活性材料中的电极膨胀的现实情景。


     

图1

   




 03

如何捕获每个组件上的应力应变

和孔隙率变化?

为了准确模拟电池的机械行为(例如,厚度变化,压力产生等),每个电池组件的机械响应特性都被纳入其中。多孔电极的机械性能是根据线性弹性、多孔岩石力学或用不可压缩电解质饱和的电极的实测应力应变响应来定义的。在电化学电池系统中,阳极和阴极层将受到外部施加的压力和电极层膨胀/收缩的影响,这些压力和电极层的膨胀/收缩是由活性材料体积变化引起的对其整体应变响应。活性材料的体积变化的大小与活性材料的锂化状态有关。从这两个分量中捕获总应变,并通过力学中的本构关系计算相应的应力。


孔隙率变化与尺寸/应变变化之间的平衡是使用材料平衡捕获的。下面显示的样品结果显示了孔隙度和应变变化对不同刚度套管约束的影响。


     


材料平衡还考虑了通过孔隙率变化引起的动力学变化,从而解释了电池的电化学性能。下面显示了施加电池压力的石墨阳极的样品结果,描述了应变和孔隙率的变化。


     


AutoLion模型允许阳极和阴极的非理想锂化行为,这提高模型的准确性,显示了在电池单体水平预测考虑单个活性材料体积变化行为的重要性。

   




 04

  这些结果有何用处?

电池和电池组设计人员目前依靠广泛的电化学和机械测试来考虑体积变化和产生的应力。这种机电化学模型预测了这种体积变化,可以减少所需的电化学和机械测试次数。


AutoLion模型可以帮助设计人员利用基于颗粒水平锂化体积变化行为的特征来预测微观层级的体积变化。该模型还可以探索单个组件应变,容量平衡效应,孔隙率和压力变化效应的理论预测。此外,单体的性能高度依赖于膨胀应变的演变,如下面的结果所示。


     


从模型中得到的结果可能有助于单元设计或确定相关参数,以减轻活性材料体积变化的不利影响。此外,该模型有助于理解机械和电化学交织的现象,并用作新化学物质研究,如硅或Li金属。

   
来源:艾迪捷
化学汽车电子理论化机材料储能控制电气
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2025-09-13
最近编辑:1小时前
艾迪捷
MBD CAE解决方案专家
获赞 2粉丝 1文章 410课程 0
点赞
收藏
作者推荐

Ansys Fluent新功能-基于伴随优化的GEKO模型标定(含操作视频)

本期带来Fluent伴随优化GEKO湍流模型标定案例,该案例以2.5D S805翼型升力预测为例,可在攻角角度小范围变化的情况下,使用神经网络(Neural Network)训练结果计算流场以期得到较好的预测精度。GEKO湍流模型标定在Fluent 2022R1之后为正式功能,用户可以在Gradient-Based Optimizer下可直接选用,本文的案例使用2022R1版本制作。(此功能在2021R2版本中为beta功能,用户可在控制栏内,通过命令行输入“/def/bfa yes yes”来启动)。算例可在文末链接下载(初始算例、优化算例),因初始流场计算设定内容较为基础,故流场计算设定不在本文演示范围内,本文在初始流场计算完成的基础上演示伴随优化、神经训练等内容。1.翼型问题描述a)几何体:S805 Airfoil(2.5D);b)攻角:11°c)弦长:1m;d)进口速度:1m/s,空气密度:1kg/m3;动力粘度:1e-6Pa●S;e)稳态不可压缩空气流动;f)目标:优化GEKO模型CSEP系数以提升预测精度,与实验数据对比。 边界条件2.数据列表 3.速度对比云图 基础流场 伴随优化 神经训练4.总结本文演示了从基础流场开始进行伴随优化求解,求解结果可用于单个算例模型,神经网络训练可扩展到小范围内攻角变化情况,本文所用方法为离线神经网络训练(感兴趣的读者可以联系我们获得更多信息)。 本文应用算例攻角为11度,提供了攻角为10度的实测升力值,感兴趣的读者可以自行尝试优化进程。注:算例下载链接: 链接https://pan.baidu.com/s/1A14KDEqETaN1FN1tnHaD3w?pwd=idaj 提取码:idaj·GEKO(Generalized k-omega)湍流模型GEKO模型足够灵活,提供了四个自由参数,可以针对特定类型的应用进行调整,而不会对模型的基本校准产生负面影响。本文考虑到翼型的分离效应对升力预测影响占比较大(从优化计算后处理可查看CSEP的敏感度),故选择对CSEP参数进行神经网络训练。GEKO初始模型针对特定场景具有很强的默认值,一般情况下用户可直接使用该模型,若微调模型参数,应确保具有高质量的实验数据支持。以下为参数的相关解释:CSEP:改变分离流动;CNW:改变壁面流动;CMIX:改变自由剪切流的传播速率;CJET:优化自由射流。来源:艾迪捷

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈