MétaCan
Menu
Retour à la cohorte
Enregistrement W3025006703 · doi:10.1149/ma2020-012254mtgabs

Designs of Experiments to Optimize Li-Ion Batteries

2020· article· en· W3025006703 sur OpenAlexaff
Olivier Rynne, Matthieu Dubarry, David Lepage, Corentin Molson, Eva Nicolas, David Aymé‐Perrot, Dominic Rochefort, Mickaël Dollé

Notice bibliographique

RevueECS Meeting Abstracts · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Battery Technologies Research
Établissements canadiensUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésMicrostructureMaterials sciencePolyvinylidene fluoridePorosityCarbon blackElectrodeRheologyComposite materialChemical engineeringCarbon nanofiberElectrochemistryPolymerChemistryPhysical chemistryCarbon nanotube

Résumé

récupéré en direct d'OpenAlex

Studies pinpointed the limitation of power-related performance for Li-ion batteries to the microstructure of each electrode. 1, 2 This random arrangement of the active material (AM) and carbon filling particles bound by a polymer is typically characterized through physical values such as tortuosity, porosity and Mac Mullin Number. 3 There is nonetheless no consensus on what the best formulation is for a given set of electrode components. The relationship between microstructure and performance is investigated by planning and analyzing a Design of Experiments based on a Complex Mixture Design. Thirty different formulations were characterized where Li 4 Ti 5 O 12 was the AM, and carbon black and carbon nanofibers were conductive fillers. As for the binder, two were studied: polyvinylidene fluoride and a fluorine-free thermoplastic elastomer. 4 All other factors, e.g. rheology or experimenter bias, were closely monitored and finely controlled to remain identical for all samples. Electrochemical performance were studied at low, medium and high charging speeds to account for different limitations of full capacity retention. Statistical analysis showed clear correlations between the formulation and the electrodes’ capacity with very high descriptive statistics, e.g. R2. Lastly, strong correlations were found between capacity and microstructure, strengthening further the trust in the empirical equations. These robust models helped choosing optimal fluorine-free formulations that surpassed even the highest performing previous electrodes. 1. Vasileiadis, A.; Klerk, N. J. J. d.; Smith, R. B.; Ganapathy, S.; Harks, P. P. R. M. L.; Bazant, M. Z.; Wagemaker, M., Toward Optimal Performance and In‐Depth Understanding of Spinel Li4Ti5O12 Electrodes through Phase Field Modeling. Advanced Functional Materials 2018, 0 (0), 1705992. 2. Ngandjong, A. C.; Rucci, A.; Maiza, M.; Shukla, G.; Vazquez-Arenas, J.; Franco, A. A., Multiscale Simulation Platform Linking Lithium Ion Battery Electrode Fabrication Process with Performance at the Cell Level. The Journal of Physical Chemistry Letters 2017, 8 (23), 5966-5972. 3. Landesfeind, J.; Hattendorff, J.; Ehrl, A.; Wall, W. A.; Gasteiger, H. A., Tortuosity Determination of Battery Electrodes and Separators by Impedance Spectroscopy. Journal of The Electrochemical Society 2016, 163 (7), A1373-A1387. 4. Rynne, O.; Lepage, D.; Aymé-Perrot, D.; Rochefort, D.; Dollé, M., Application of a Commercially-Available Fluorine-Free Thermoplastic Elastomer as a Binder for High-Power Li-Ion Battery Electrodes. Journal of The Electrochemical Society 2019, 166 (6), A1140-A1146. With this presentation, we want to show the versatility and power of Designs of Experiments to the community, whether for electrode formulation or new material synthesis, as the input parameters can be easily interchangeable. Figure 1

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,467
Score d'incertitude au seuil0,639

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,056
Tête enseignante GPT0,295
Écart entre enseignants0,239 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueECS Meeting AbstractsMême sujetAdvanced Battery Technologies ResearchTravaux en français237 207