Optimizing multilayer graphite-silicon anodes: A computational approach to enhancing lithium-Ion battery performance
Notice bibliographique
Résumé
This study evaluated the performance of multilayer anodes for lithium-ion batteries, composed of an outer graphite layer in direct contact with the electrolyte and an inner graphite–silicon composite layer, using finite-element simulations and multivariate statistical analysis. Various silicon contents such as 10, 20 percent and 30 %, layer thickness configurations including 30–30 µm, 20–40 µm and 10–50 µm, and graphite particle sizes of 2.5, 5 and 7.5 µm were systematically examined while maintaining a total anode thickness of 60 µm. In addition, the cathode material NMC 622 and the electrolyte LiPF6 in 3:7 EC:EMC were specified in the simulated cell configuration. The methodology integrated COMSOL Multiphysics® simulations with a simulation design (DOE) constructed in JMP, enabling the identification of key response parameters such as capacity loss percentage, solid-electrolyte interphase (SEI) layer thickness, potential drop across the SEI and electrolyte consumption over 2000 simulated cycles. Simulation results indicated that a 30–30 µm configuration, employing 2.5 µm graphite particles and a silicon content in the range of 20–30 % within the composite layer, substantially reduces potential drop, electrolyte consumption and SEI growth compared to modeled single-layer 100 % graphite or homogeneous silicon–graphite anodes. These findings underscore the viability of dual-layer structures for leveraging silicon’s high theoretical capacity without compromising electrochemical stability, and they highlight the crucial role of simulation-driven optimization in predicting long-term performance in batteries with enhanced energy density and extended cycle life.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,000 | 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 ».