Modélisation du processus de fabrication des batteries lithium-ion : le lien entre l'imprégnation d'électrolyte avec électrolyte et les performances électrochimiques

Modeling of the manufacturing process of lithium-ion batteries : the link between electrolyte impregnation and electrochemical performance

• Auteur / Autrice : Abbos Shodiev
• Direction : Alejandro Antonio Franco
• Type : Thèse de doctorat
• Discipline(s) : Chimie. Chimie de Solides et Sciences des Matériaux
• Date : Soutenance le 14/10/2021
• Etablissement(s) : Amiens
• Ecole(s) doctorale(s) : École doctorale Sciences, technologie et santé (Amiens)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de réactivité et chimie des solides (Amiens ; 1968-....)
• Jury : Président / Présidente : Yann Bultel
• Jury : Examinateurs / Examinatrices : Vincent Seznec, Miran Gaberšček, Yinghui Yin, Bernard Lestriez, Jianlin Li
• Jury : Rapporteurs / Rapporteuses : Yann Bultel, Patrik Johansson

Mots clés

Mots clés contrôlés

Électrochimie

Batteries lithium-ion

Mots clés libres

Électrochimie

Batterie Li-ion

Fabrication

Remplissage d'électrolyte

Electrochemistry

Li-ion battery

Electrolyte filling

Résumé

L'objectif de la thèse était de créer les modèles qui décrivent l'infiltration de l'électrolyte et de caractériser ses performances. Le modèle de spectroscopie d'impédance électrochimique doit être développé sur la base du modèle de Newman. La méthode Lattice Boltzmann doit être utilisée pour décrire le processus d'infiltration de l'électrolyte. Tous les modèles doivent être combinés avec des résultats expérimentaux. Cette thèse a été réalisée dans le cadre du projet ERC-Artistic. La première étape de la thèse a été consacrée au développement du modèle de Spectroscopie d'Impédance Electrochimique. L'EIS constitue une technique expérimentale utilisée pour la caractérisation des tortuosités des électrodes poreuses LIB. Pour la première fois, un modèle physique 4D (3D en espace + temps) est proposé pour simuler l'EIS réalisée sur des cathodes poreuses NMC, issues de la simulation de leur procédé de fabrication, dans des cellules symétriques. Cette méthodologie permet de comprendre les limites de l'utilisation des SIE, des modèles de circuits électriques et des modèles physiques homogénéisés pour la détermination de la tortuosité des cathodes à base de NMC, révélant une interaction complexe entre la conductivité des phases solides, les propriétés de l'électrolyte et la méso/microstructure de la cathode. La deuxième étape de la thèse a été consacrée au développement du processus d'infiltration de l'électrolyte. Cette étape est cruciale car elle est directement liée à la qualité de la LIB et affecte le processus ultérieur de mouillage de l'électrolyte qui prend beaucoup de temps. Nous avons rapporté ici pour la première fois un modèle résolu en 3D de la méthode de Boltzmann en treillis capable de simuler le remplissage d'électrolyte par pression appliquée sur des électrodes poreuses LIB obtenues à la fois à partir d'expériences (tomographie par micro-rayons X) et de calculs (génération stochastique, simulation du processus de fabrication à l'aide de la dynamique moléculaire à gros grains et de la méthode des éléments discrets). Le modèle permet d'obtenir un aperçu avancé de l'impact des mésostructures de l'électrode sur la vitesse d'imprégnation et de mouillage de l'électrolyte, en soulignant l'importance de la porosité, de la distribution de la taille des pores et de leur interconnexion sur la dynamique de remplissage. De plus, nous identifions des scénarios où des volumes avec de l'air piégé (zones mortes) apparaissent et évaluons l'impact de ceux-ci sur le comportement électrochimique des électrodes. En outre, un modèle innovant d'apprentissage automatique, basé sur des réseaux neuronaux profonds, permet de prédire rapidement et précisément le flux de fluide en trois dimensions, ainsi que le degré et le temps de mouillage des électrodes LIB. Le modèle ML est entraîné sur une base de données générée à l'aide d'un modèle physique résolu en 3D basé sur la méthode Lattice Boltzmann. Nous démontrons le modèle ML avec une mésostructure d'électrode NMC obtenue par tomographie à rayons X par micro-ordinateur. Le réseau de pores extrait des données tomographiques a également été utilisé pour entraîner notre réseau neuronal ML. Les résultats montrent que le modèle ML est capable de prédire le processus de remplissage de l'électrode, avec un coût de calcul très faible (quelques secondes) et une grande précision par rapport aux données originales générées par le modèle physique. Enfin, les modèles EIS, LBM et d'apprentissage automatique seront intégrés dans la plateforme ARTISTIC. Cette plateforme peut être utilisée pour simuler, comprendre et optimiser la fabrication des batteries. La plateforme sera gratuite et toutes les données et codes seront disponibles

The aim of the thesis was to create the models which describes electrolyte infiltration and characterize its performance. The electrochemical impedance spectroscopy model should be developed based on Newman model. The Lattice Boltzmann Method must be used to describe the electrolyte infiltration process. All the models were combined with experimental results. The thesis was part of the ERC-Artistic project. The first stage of the thesis was devoted to develop the Electrochemical impedance Spectroscopy model. EIS constitutes an experimental technique used for the characterization of LIB porous electrodes tortuosities. For the first time, a 4D (3D in space + time) physical model is proposed to simulate EIS carried out on NMC porous cathodes, derived from the simulation of their manufacturing process, in symmetric cells. This methodology allows to understand the limitations of using EIS, electric circuit models and homogenized physical models for the determination of the tortuosity of NMC-based cathodes, revealing a complex interplay between the conductivity of the solid phases, the electrolyte properties and the cathode meso/microstructure. The second stage of the thesis was devoted to development of the electrolyte infiltration process. This step is crucial as it is directly linked to LIB quality and affects the subsequent time consuming electrolyte wetting process. It was reported here for the first time a 3D-resolved Lattice Boltzmann Method model able to simulate electrolyte filling upon applied pressure of LIB porous electrodes obtained both from experiments (micro X-ray tomography) and computations (stochastic generation, simulation of the manufacturing process using Coarse Grained Molecular Dynamics and Discrete Element Method). The model allows obtaining advanced insights about the impact of the electrode mesostructures on the speed of electrolyte impregnation and wetting, highlighting the important of porosity, pore size distribution and pores interconnectivity on the filling dynamics. Furthermore, we identify scenarios where volumes with trapped air (dead zones) appear and evaluate the impact of those on the electrochemical behavior of the electrodes. Further an innovative machine learning model, based on deep neural networks, to fast and accurately predict fluid flow in three dimensions, as well as wetting degree and time for LIB electrodes. The ML model is trained on a database generated using a 3D-resolved physical model based on the Lattice Boltzmann Method. We demonstrate the ML model with a NMC electrode mesostructure obtained by X-ray micro-computer tomography. The extracted pore network from tomography data was also used to train our ML neural network. The results show that the ML model is able to predict the electrode filling process, with ultralow computational cost (few seconds) and with high accuracy when compared with the original data generated with the physical model. Also, systematic sensitivity analysis was carried out to unravel the spatial relationship between electrode mesostructure parameters and predicted infiltration process characteristics, such as saturation dynamics, filling time among others. Finally, the EIS, LBM and Machine learning models will be integrated into the ARTISTIC platform. The platform can be used to simulate, understand, and optimize battery manufacturing. The platform will be free of charge and all the data and codes will be available