MARC

 008260126s2025        us                              c    eng  d
■001000017359905
■00520260202105234
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291567579
■035    ▼a(MiAaPQ)AAI32271924
■035    ▼a(MiAaPQ)umichrackham006505
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aTran,  Vivian.
■24510▼aControl-Oriented  Multi-Physics  Battery  Modeling  for  Fast  Discharging  Near  the  Venting  Threshold
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a142  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Siegel,  Jason;Stefanopoulou,  Anna.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aTo  improve  lithium-ion  battery  (LIB)  safety,  predictive  multiphysics  algorithms  are  needed  that  can  manage  battery  operation  from  normal  to  abnormal  conditions.  To  address  this  gap,  this  dissertation  develops  control-oriented  multiphysics  LIB  models  that  capture  behavior  from  normal  operation  to  first  venting  with  minimal  parameterization.  Two  reduced-order  multiphysics  models  are  developed  by  extending  a  normal  operation  model  to  simulate  LIB  pouch  cell  behaviors  under  high  temperatures  and  currents,  observed  during  external  short  circuit  (ESC)  experiments.  This  includes  diffusion-limited  electrical  behaviors,  cell  expansion,  gas  generation,  and  first  venting.  The  model  emphasizes  computational  efficiency  by  coupling  an  equivalent  circuit  model  (EqCM)  with  lumped  thermal  and  cell  venting  phenomena.  This  parameterizable  model  is  used  to  develop  a  model-predictive  controller  for  safe  and  fast  emergency  discharge.  Simulations  show  that  imposing  temperature  and  pressure  constraints  while  maximizing  discharge  current  allows  a  cell  to  discharge  to  60%  SOC  in  2.5minutes  while  avoiding  venting.  However,  the  empirical  EqCM  cannot  transition  between  normal  and  early  failure  conditions.  To  address  this,  a  physics-based  Single  Particle  Model  with  Electrolyte  (SPMe)  is  used  to  capture  the  transition  between  normal  and  abnormal  behavior,  predicting  venting  timing  within  10~seconds,  consistent  with  experiments.    A  global  sensitivity  analysis  of  the  pouch  cell  venting  model  highlights  that  uncertainties  in  preload,  solid-electrolyte  interphase  (SEI)  decomposition  parameters,  and  temperature-dependent  foam  stiffness  strongly  influence  the  cell  expansion  force  across  temperature  and  age.  The  venting  model  shows  that  gas  generation  is  highly  sensitive  to  SEI  stability  and  quantity,  which  are  difficult  to  quantify  in  situ.    To  this  end,  a  voltage  fitting  method  is  combined  with  a  modeled  electrode  capacity  distribution,  where  the  standard  deviation  represents  cell  inhomogeneity.  Inhomogeneity  can  accelerate  degradation  in  localized  regions,  increasing  the  risks  of  failure.  Taking  into  account  inhomogeneity  when  characterizing  degradation  in  cells  with  50%  capacity  loss  significantly  reduced  the  differential  voltage  error  throughout  LIB  life.  These  advances  pave  the  way  for  an  advanced  state-of-health  (SOH)  estimation  that  accounts  for  inhomogeneity  to  help  guide  robust,  aging-aware  detection  and  mitigation  strategies.
■590    ▼aSchool  code:  0127.
■650  4▼aEngineering
■650  4▼aEnergy
■650  4▼aMechanical  engineering
■653    ▼alithium-ion  battery
■653    ▼aBattery  safety
■653    ▼aSolid-electrolyte  interphase  decomposition
■653    ▼aExternal  short  circuit  experiments
■690    ▼a0537
■690    ▼a0791
■690    ▼a0548
■71020▼aUniversity  of  Michigan▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359905▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books