|
为应对电池安全这一全球重大挑战，推动电池安全领域的国际合作，美国能源部(DOE)和德国科学教育部(BMBF)及相关国际知名学者发起了国际电池安全研讨会(International Battery Safety Workshop，IBSW)，并相继于2015年在德国慕尼黑工业大学、2017年在美国Sandia国家实验室，成功举办了第一届和第二届国际电池安全研讨会(IBSW)。2019年10月8日，第三届国际电池安全研讨会在北京召开，大会由清华大学电池安全实验室主办，会议主题是“为电动汽车制造更安全的高比能电池”。
8日下午举行的电池安全技术峰会A上，清华大学夏勇教授发表了主题演讲，以下为演讲实录。
今天我演讲的题目是关于锂离子电池的FE建模以及失效分析。首先，很荣幸来到本次研讨会，和大家分享我的研究成果，包括像锂离子电池、机械滥用相关的情况。
今天我们至少有三个之前的报告是关于机械滥用的，所以我觉得我们之间在这个话题上来分析彼此的研究成果是非常有意义的一件事情。
首先，我们来分析一下在不同的复杂的情况下锂离子电池的失效情境。比如在比较小的尺寸会有膨胀，比如说在充电和放电的时候会有膨胀的状况，大尺寸，比如说像一些其他的手机会出现变形或者说其他的一些状况，最后可能会出现像汽车的相撞，或者像电子的这些安全等等，比如说像飞行器。
对于电池的建模来说，我们需要来设计一些非常详细的模型来调查失效的情况，因为在正常的情况下，我们可能要对于机械、电子机械的这些效应来进行分析，与此同时还必须要对于机械滥用来进行详细的建模，对于大尺寸的电池，我们有些时候还需要计算能力，因为它是由数据所驱动的这样一种模型，也需要机器学习的这种能力。因此，有些时候我们要开发一些快速预测的工具，所以在这里我想向大家来介绍一些数据驱动的模型，这也是在我们的实验中所进行的一个研究项目。
在我们进行详细的建模介绍之前首先向大家介绍一些比较有意思的实验发现。
第一个，电池的损坏进程。大家也可以看到，这是软包电池，它在相关的一些失效过程中的曲线点，这个比如说像断裂，比如说像短路，另外还包括像在测试之后这样一些样本的拆除，内短路等等，所以我们设计了一系列的实验，我们也是在不同的负载的水平来进行这些实验，在每个实验之后我们都会把电池样本给拆开，来分析其中的一些材料，看看这个材料是否有变化。我们是用显微镜来观察电池不同层面的变化，大家会看到有一些破坏的机理是在电池内部发生。比如说电极、隔膜粘连在一起，还包括其他的一些崩溃的状况，像隔膜的涂层、反应层之间的这些问题，我们认为这些都可以被作为一些指数，说明在整个电池内部发生了破坏。
还有另外一个比较有意思的实验，关于静态负载。软包电池其实是更加具有动态的这样一些高黏度之下，所以它的刚度我们也是进行了测试，比如说对于干的、湿的电池，有了这些比较研究我们可以得出相关的结论。实际上电解质是发挥着非常主导性的、关键性的作用，决定了电池的安全性。同时我们也设计了一个分析模型，是根据我们的动力机械理论，我们还通过一些计算模型来进行深入的分析，包括流体和固体的耦合机理。
接下来看一下关于这个实验的一些细节。我们的目标，就是要获取相关材料，还有电池界面非常精确的一些机械特性，所以我们也是进行了界面的机械测试、软包电池的一些测试，还在不同负载的角度、不同应力的组合方面都进行了实验的设计，包括它的弹性。对于界面，我们也会发现很多的脆弱点，包括在应力的作用下所产生的脆弱点、暴露点。
还有一个很重要的，就是它的活跃反应层的材料它的机械特质，因为这一层是非常关键的，尤其是在压力应力的作用之下，如果大家看一下左上的图片，你会看到它的变形，你也可以看到在变形力的作用的方向，这也是一些自然的特性，所以我们选择了DPC模型。
这个模型的设计主要是用于描绘一些土壤的材料，这个模型实际上是包含着两个部分，一个部分可以用做描述不同的粒子之间的作用，还有另外一方面来描述在水平方向的挤压，我们也使用不同的温度来校准这个模型，比如说真正的压缩，我们把它叫做水平的压缩，叫做“巴西测试”（音），另外还包括有特定界定之下的测试结果。
我们可以对于电池变形、失效的建模进行详细的描述，这个表格里面大家可以看到它的成份、材料、厚度、材料的模型，我们选择的是Johnson Cook（音），这个变形和失效模型。我们使用详细的FE模型来模拟软包电池，包括锥状电池的变形。我们也对于实验结果进行预测，最终显示出变形的曲线。在右边的图片里面，可以看到在模拟状况下CT扫描的结果，这是CT扫描显示的一个图片，同时通过模拟和仿真，我们也可以看到各种各样不同材料组成部分的序列排列的顺序，我们会发现一些铝的碎片。
如果做一个很好的应用，这些细节的FE的模型可以作为很好的一个情况。
我很快的过一下这些图片，首先我们想要定义它的一些形状以及条件，之后我们再来就它整个数据导向模型的流动，以及90%的数据都可以用于机器学习的算法，这些数据可以作为一个测试的结果。之后我们会有两组这样的模型：第一个，我们的分组模型，可以在安全和危险边界的分解点。第二个，我们可以作为一些信息的读取，看到它失效的情况，在不同条件下，它的失效情况也是不一样的。
很简单的总结一下，第一，在失效情况下，在机械加载情况下，它会出现失效，我们的测试方法和平台非常重要，但是只是对于具体的模型开发可以更好的就它的机理和仿真、分析作为借用。具体的模型能够很有效的产生出数据，机械学习也是很有效的方式，来克服相应的限制。
最后一些鸣谢，非常感谢我们团队的成员以及我们的合作人。谢谢！
|
