Cause and Mitigation of Lithium-Ion Battery Failure—A Review
Notice bibliographique
Résumé
Lithium-ion batteries (LiBs) are seen as a viable option to meet the rising demand for energy storage. To meet this requirement, substantial research is being accomplished in battery materials as well as operational safety. LiBs are delicate and may fail if not handled properly. The failure modes and mechanisms for any system can be derived using different methodologies like failure mode effects analysis (FMEA) and failure mode methods effects analysis (FMMEA). FMMEA is used in this paper as it helps to identify the reliability of a system at the component level focusing on the physics causing the observed failures and should thus be superior to the more data-driven FMEA approach. Mitigation strategies in LiBs to overcome the failure modes can be categorized as intrinsic safety, additional protection devices, and fire inhibition and ventilation. Intrinsic safety involves modifications of materials in anode, cathode, and electrolyte. Additives added to the electrolyte enhance the properties assisting in the improvement of solid-electrolyte interphase and stability. Protection devices include vents, circuit breakers, fuses, current interrupt devices, and positive temperature coefficient devices. Battery thermal management is also a protection method to maintain the temperature below the threshold level, it includes air, liquid, and phase change material-based cooling. Fire identification at the preliminary stage and introducing fire suppressive additives is very critical. This review paper provides a brief overview of advancements in battery chemistries, relevant modes, methods, and mechanisms of potential failures, and finally the required mitigation strategies to overcome these failures.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».