MétaCan
Menu
Retour à la cohorte
Enregistrement W4386071061 · doi:10.11159/icmie23.130

Numerical Analysis of Gas Diffusion Characteristics During Thermal runaway in Lithium-ion battery module

2023· article· en· W4386071061 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueProceedings of the World Congress on Mechanical, Chemical, and Material Engineering · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueEngineering Applied Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésThermal runawayNuclear engineeringDiffusionMaterials scienceIonLithium (medication)Battery (electricity)ThermalLithium-ion batteryThermodynamicsChemistryPhysicsPower (physics)Engineering

Résumé

récupéré en direct d'OpenAlex

Lithium-ion batteries are widely used as secondary batteries due to their high energy density and low self-discharge.However, the lithium-ion batteries have the risk factor, such as explosions and toxic gas emissions caused by thermal runaway.Thermal runaway is a phenomenon where the temperature of the battery rapidly increases due to external factors, which leads to chemical reactions inside the battery, and the generation and ejection of various gases such as H2, CO, CO2, and VOCs to the outside.[1,2] Analyzing the vented gas flow from the battery is essential for designing fire safety devices, such as early detection systems for battery fires.The CO2 gas is known most advantageous for early detection of thermal runaway [3].However, most previous studies on gas flow analysis have been performed in single cells, while lithium-ion batteries are typically used as battery modules.[4,5] Therefore, this study was used to analyse the gas diffusion inside the module where thermal runaway of the battery occurred.This study performed numerical analysis using the commercial program Ansys fluent 19.1.The standard k- model is used for gas diffusion in the battery module and the species transport model to simulate the gas generated from the battery.The analysis was unsteady, with a time step of 0.01 s, and set for an analysis time of 100 s.The results show that at the beginning of gas ejection, the gas diffuses rapidly to adjacent cells where thermal runaway occurs.The gas velocity distribution before 7 seconds after thermal runaway describes the gradual diffusion of the gas into the module.However, the amount of gas initially ejected is small, and the CO2 mass fraction distribution before 10 seconds is low.After 8 seconds, there is a region where the gas diffusion rate suddenly increases.This is because of the flow that hits the module wall due to the vortex, and the flow moves into the center of the module due to the vortex.After 10 seconds, the released CO2 gas gradually accumulates at the end of the module and diffuses throughout the interior.

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.

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 candidatesMéta-épidémiologie (sens strict)
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 enseignants0,171
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
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 Opus0,006
Tête enseignante GPT0,204
Écart entre enseignants0,198 · 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