Deciphering the Interplay Between Wetting and Chemo‐Mechanical Fracture in Lithium‐Ion Battery Cathode Materials
Notice bibliographique
Résumé
Abstract Crack growth in lithium‐ion battery electrodes is typically detrimental and undesirable. However, recent experiments suggest that stabilized fracture of cathode active materials in liquid electrolytes can increase electrochemically active surfaces, shorten diffusion pathway, enhance (de)lithiation, and improve overall capacity. To decipher the fundamental couplings between electrolyte wetting and fracture evolution and evaluate their influences on macroscopic battery performance, an integrated experiment‐simulation study is conducted on α‐V 2 O 5 single crystals and polycrystalline NCM as model cathode materials. Single crystals of α‐V 2 O 5 offers clearer fundamental insights than polycrystalline counterparts with grain‐boundary complexities. Fracture patterns and lithiation heterogeneities on the samples are mapped using X‐ray spectromicroscopy techniques after chemical (de)lithiation cycles, exhibiting excellent agreement with simulations by the developed multiphysics model. Results reveal a mutually reinforcing interplay between wetting and fracture: i) electrolyte infiltration at fracture surfaces enhances (de)lithiation and compositional heterogeneity; ii) wetting influences fracture dynamics, including fracture modes, propagation distance, and directionality. The validated modelling framework is further applied to simulations on polycrystalline NCM particles under constant‐current (dis)charging, highlighting the critical role of wetting in promoting fracture and improving overall capacity. This work bridges fundamental understanding of wetting–fracture coupling with practical implications for battery performance optimization via controlled fracture engineering.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
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 tête enseignante, 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 ».