Verbundvorhaben: HIBRAIN- Holistische Methode eines kombinierten daten- und modellbasierten Elektrodendesigns unterstützt durch künstliche Intelligenz; Teilvorhaben: Modellbasierte Zelldiagnose und Parametrierung für wissensbasiertes Elektrodendesign
Zeitraum
2022-01-01 – 2024-12-31
Bewilligte Summe
295.532,35 EUR
Ausführende Stelle
Förderkennzeichen
03ETE039F
Leistungsplansystematik
Elektromobilität - Lithium-basierte Batterien [EA2611]
Verbundvorhaben
Zuwendungsgeber
Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)
Projektträger
Forschungszentrum Jülich GmbH (PT-J.ESN5)
Förderprogramm
Energie
Das virtuelle Design von neuen Batterien ist eines der Ziele des langfristigen Forschungsplans BATTERY 2030+ der Europäischen Kommission. Ein wesentlicher Teil hiervon ist das Design neuer Elektroden, das bereits jetzt durch Modellierung und Simulation unterstützt wird, aber der experimentelle Teil ist immer noch dominierend in Bezug auf Zeit und Kosten. Um die Kosten und den Zeitaufwand für die Entwicklung neuer Elektrodengenerationen zu reduzieren, muss das virtuelle Design insbesondere auf der Ebene der Elektrodenmikrostruktur noch prädiktiver werden. Um das Design neuer Elektroden durch Simulationen besser zu unterstützen, muss ein neues Niveau der Modellgenauigkeit erreicht und ein neues Analysewerkzeug entwickelt werden, das die gesamte Erkenntniskette der Elektrodenforschung abdeckt und auf geeignete Weise experimentelle und simulierte Daten angemessen miteinander kombinieren kann. Ziel dieses Teilprojektes im Rahmen des HiBRAIN-Projekts ist es, verschiedene Kathoden mit i) unterschiedlicher Elektrodenzusammensetzung, ii) unterschiedlichem Kalandrierungsgrad und iii) diversen Aktivmaterialmodifikationen elektrochemisch zu charakterisieren. Um dieses Wissen quantitativ verfügbar zu machen, wird parallel zu den Experimenten eine automatisierte modellbasierte Zelldiagnose angestrebt. Unterschiede im Zellverhalten in Entladekurven wie auch elektrochemischen Impedanzspektren lassen sich damit auf einzelne physikalisch interpretierbare Parameter zurückführen. In Kombination mit effektiven Transportparametern aus 3D-Mikrostrukturrekonstruktionen und Netzwerkmodellen kann die Identifizierbarkeit dieser Parameter weiter verbessert werden. Abgesehen von der Zelldiagnostik kann das Batteriemodell auch prädiktiv eingesetzt werden, um eine Datenbasis für datengetriebene Ansätze bereitzustellen. Mittels künstlicher Intelligenz (KI) wird im Gesamtprojekt eine Verbesserung der Prädiktionsfähigkeit homogenisierter und damit wenig rechenaufwendiger Batteriemodelle angestrebt.