MARC

 008250123s2024        us                              c    eng  d
■001000017162833
■00520250211152101
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382739731
■035    ▼a(MiAaPQ)AAI31349020
■035    ▼a(MiAaPQ)umichrackham005373
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621
■1001  ▼aWeng,  Andrew.
■24510▼aLithium-Ion  Battery  Formation  Modeling  and  Diagnostics
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a289  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Stefanopoulou,  Anna.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aThe  world  needs  to  transition  to  sustainable  energy  as  quickly  as  possible.  A  cornerstone  of  this  transition  is  a  fully  electrified  transportation  sector  which  will  require  the  production  of  automotive-grade  lithium-ion  batteries  at  a  massive  scale.  Among  the  many  challenges  of  battery  production,  the  battery  formation  step,  the  last  step  in  battery  manufacturing,  is  both  paramount  and  problematic.  It  is  paramount  since  all  batteries  undergo  the  formation  process  to  build  a  resilient  solid  electrolyte  interphase  (SEI)  and  to  screen  for  defects.  It  is  problematic  because  the  formation  process  is  expensive  to  operate,  is  a  major  source  of  factory  energy  demand,  requires  larger  factory  footprints,  and  takes  an  order  of  magnitude  longer  than  nearly  every  other  manufacturing  step.  Despite  the  centrality  of  the  formation  process  in  battery  manufacturing,  steps  taken  to  optimize  formation  protocols  remain  ad  hoc  in  the  absence  of  fundamental  design  principles  and  physical  models.    In  this  thesis,  we  develop  models  and  methods  to  enable  advances  in  battery  formation  protocol  design,  battery  manufacturing  process  control,  and  battery  lifetime  prediction.  The  work  begins  by  introducing  a  physics-based  electrochemical  model  of  the  battery  formation  process  which,  for  the  first  time,  bridges  the  gap  between  the  electrochemistry  of  SEI  formation  and  full-cell  performance  metrics.  We  demonstrate  that  the  model  can  predict  emergent  system  properties  such  as  SEI  passivation  and  cell  aging.  Using  the  model,  we  also  verified  that  faster  formation  protocols  are  achievable  without  compromising  battery  lifetime.  Next,  we  take  a  data-driven  approach  to  studying  the  battery  formation  process  through  the  lens  of  scalable  diagnostic  features,  or  ``electrochemical  fingerprints.''  We  show  that  these  diagnostic  features  can  be  used  to  improve  battery  manufacturing  process  control  and  for  predicting  the  impact  of  formation  protocols  on  battery  lifetime  immediately  after  manufacturing.  However,  great  care  is  needed  to  ensure  reproducible  data  collection.  Finally,  the  thesis  ends  by  investigating  the  question  of  ``how  much  variability  is  too  much,''  i.e.  how  much  process  control  is  really  in  battery  manufacturing?  We  demonstrate  that,  when  dissimilar  battery  cells  are  cycled  in  a  parallel  configuration,  the  degradation  trajectory  of  individual  cells  may  converge,  suggesting  that  some  amount  of  variability  in  cell  properties  at  the  beginning  of  life  may  be  tolerated.
■590    ▼aSchool  code:  0127.
■650  4▼aEnergy
■650  4▼aChemical  engineering
■650  4▼aMechanical  engineering
■650  4▼aPhysical  chemistry
■653    ▼aBattery  manufacturing
■653    ▼aElectrochemical  modeling
■653    ▼aLithium-ion  batteries
■653    ▼aBattery  formation
■653    ▼aBattery  lifetime  prediction
■653    ▼aSEI  growth
■690    ▼a0548
■690    ▼a0542
■690    ▼a0791
■690    ▼a0494
■71020▼aUniversity  of  Michigan▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162833▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books