MétaCan
Menu
Retour à la cohorte
Enregistrement W7110479391

Computational optimization of multilayer anode architectures for high–energy lithium–ion batteries

2025· other· en· W7110479391 sur OpenAlexfundno aff

Notice bibliographique

RevueLe dépôt institutionnel (Université du Québec à Trois-Rivières) · 2025
Typeother
Langueen
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesUniversité du Québec à Trois-Rivières
Mots-clésAnodeCurrent (fluid)Computational complexity theoryWork (physics)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This thesis addresses the computational optimization of multilayer anode architectures aimed at enhancing the performance of high-energy lithium-ion batteries.Given the critical need for improved energy density, cycle life, and sustainability, this research evaluates multilayer anode designs that strategically combine graphite with silicon and other alternative materials (hard carbon, lithium titanate oxide (LTO), and lithium metal).It validates a simulation-driven workflow for designing multilayer lithiumion-battery anodes that raise specific energy without sacrificing long-term stability.Finite-element electrochemical modelling in COMSOL Multiphysics®, coupled with factorial and multivariate statistics in JMP®, is used to isolate the geometric and compositional variables that govern capacity fade, solid-electrolyte-interphase (SEI) growth, overpotential and electrolyte loss.In Phase I a 3³ full factorial varies silicon content (10-30 wt %), graphite particle size (2.5-7.5 µm) and layer-thickness ratio (10-50, 20-40, 30-30 µm) across twentyseven graphite / graphite-silicon bilayers cycled 2 000 times at 1 C.The optimal configuration consists of a 30 µm graphite buffer layer over a 30 µm composite containing approximately 20 wt% silicon and 2.5 µm graphite particles.This setup limits capacity fade to around 20%, caps SEI thickness at 0.36 µm, maintains the SEI overpotential at 42 mV, and consumes only 44% of the initial electrolyte.It outperforms both a 100% graphite electrode and a homogeneous 90% graphite / 10% silicon blend by reducing direct electrolyte contact with silicon and promoting a more uniform current distribution.Phase II takes that graphite buffer and particle size while replacing the inner composite with hard carbon, Li₄Ti₅O₁₂ (LTO) or metallic lithium, each tested pure and as 10/20/30 wt % graphite mixtures.Among sixteen new cells, one stands out because it has a second layer with 100% hard-carbon core that retains ≈94 % of its initial capacity with negligible impedance rise.Another with a second layer of 10 wt % LTO generates the VI thinnest SEI (0.17 µm) and the lowest electrolyte loss (~19 %) while sacrificing only 11.5 % capacity, and finally, a configuration with a second layer with 30 wt % Limetal delivers the largest gravimetric capacity gain but stabilizes at ~83 % retention because of dead-lithium formation and higher mid-SOC polarization.Electrochemical impedance spectroscopy confirms that the graphite buffer effectively decouples SEI resistance from charge-transfer resistance, while the inner layer material dictates diffusional impedance and kinetic durability.This study provides a practical design framework: employ balanced layer thicknesses to facilitate diffusion processes and avoid bottlenecks.A graphite front layer with fine particles is recommended to control SEI chemistry, paired with a second high-capacity layer tailored to specific applications silicon-rich or lithium metal for high energy density, hard carbon for rapid charge resilience, or LTO for safety-critical, long-life battery packs thereby offering a scalable route to pouch cells suitable for electric vehicles and grid storage.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,200
Écart entre enseignants0,191 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLe dépôt institutionnel (Université du Québec à Trois-Rivières)Travaux en français237 207