Thèse soutenue

Vers une chimie plus verte de la batterie : Utilisation de la tomographie aux rayons X dans une batterie Li-O2 et une cathode recyclable
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Zeliang Su
Direction : Alejandro Antonio FrancoArnaud Demortière
Type : Thèse de doctorat
Discipline(s) : Chimie analytique. Tomographie aux rayons X
Date : Soutenance le 10/11/2021
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)
Jury : Président / Présidente : Éric Maire
Examinateurs / Examinatrices : Etienne Decencière
Rapporteurs / Rapporteuses : Alexis Grimaud, Claire Villevieille

Mots clés

FR  |  
EN

Mots clés contrôlés

Résumé

FR  |  
EN

Pour relever le défi de la demande d'énergie pour la décarbonation totale de la société, une technologie plus verte et plus énergétique doit être développée. La batterie Li-O2, considérée comme l'une des technologies post-Li-ion prometteuses, a été étudiée. Plus précisément, une technique d'imagerie 3D utilisant la tomographie par rayons X a été développée pour étudier la réaction électrochimique et les phénomènes de transport dans la cathode de cette batterie.Pour s'affranchir de la transparence des éléments lumineux en cathode sous rayons X, nous avons déployé le Zernike Phase Contrast en acquisition. Les réseaux de pores de la cathode à différents états de décharge ont été extraits. Une non-dissolution des produits rejetés a été étudiée en 3D. Une synthèse facile d'un autoportant sans liant a été développée. Ce matériau est autonome et facilement évolutif. Une étude de sa recyclabilité a été menée. Nous avons montré que ce matériau peut être entièrement récupéré après le cyclage par un solvant peu coûteux. Nous avons avancé notre enquête 3D en 4D avec des pas de temps pour comprendre la dynamique de la batterie Li-O2. Une pile bouton interne comme une cellule in situ a été conçue. Les volumes résolus en temps ont été analysés par un algorithme de suivi des particules. Des données massives ont été recueillies au cours de ce travail. La segmentation est devenue la plus chronophage dans notre workflow de traitement des données. Nous avons utilisé l'apprentissage en profondeur pour résoudre ce problème. Le problème d'optimisation des hyperparamètres a été discuté et quelques réflexions sur la vérité terrain ont été mises en évidence. Nous avons tenté de généraliser davantage notre réseau de neurones à un plus large éventail de matériaux. Pour cela, la technique d'apprentissage par transfert a été employée.