Multiphysics Optimization of Graphite-Buffered Bilayer Anodes with Diverse Inner Materials for High-Energy Lithium-Ion Batteries
Notice bibliographique
Résumé
This study presents a multiphysics simulation approach to optimize graphite-buffered bilayer anodes for enhanced energy density in lithium-ion batteries, assessing the electrochemical impact of diverse inner-layer materials, including silicon, hard carbon, lithium titanate (LTO), and metallic lithium, in pure and graphite-composite forms. A coupled finite-element model implemented in COMSOL Multiphysics 6.2 was used to integrate spherical lithium diffusion, charge conservation, and the solid electrolyte interphase (SEI) formation kinetics. The evaluated anode structure consisted of a 60 µm-thick bilayer: a 30 µm graphite surface layer coupled with a 30 µm inner layer of alternative active materials. Simulations were performed using an NMC622 cathode, LiPF6 in EC:EMC electrolyte, at room temperature, under a charge rate of 1 C, considering realistic particle sizes (graphite: 2.5 µm; Si: 0.1 µm; hard carbon: 2.5 µm; LTO: 0.2 µm; Li metal: 0.5 µm), and evaluated over 2000 cycles. The hard carbon/graphite configuration exhibited a capacity fade of 5.8% compared with 7.1% in pure graphite. Additionally, the SEI thickness decreased to 0.20 µm (from 0.25 µm), the overpotential dropped to −17 mV (from −59 mV), and the electrolyte consumption was reduced to 20.8% (from 42.9%). The analysis highlights hard carbon and LTO inner layers as optimal trade-offs between capacity and cycle stability, whereas silicon and lithium metal significantly increased the initial capacity but accelerated SEI formation and impedance growth. These findings demonstrate the graphite-buffered bilayer’s potential to decouple interfacial degradation from high-capacity materials, providing valuable guidelines for the design of advanced lithium-ion battery anodes.
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 ».