L’approche de modélisation intégrée décode les microstructures de batterie à semi-conducteurs pour de meilleures performances

Des chercheurs du Lawrence Livermore National Laboratory (LLNL) ont développé une nouvelle approche de modélisation intégrée pour identifier et améliorer l’interface clé et les caractéristiques microstructurales dans des matériaux complexes généralement utilisés pour les batteries avancées. Le travail a aidé à démêler la relation entre la microstructure des matériaux et les propriétés clés et mieux prédire comment ces propriétés affectent le fonctionnement de la batterie, ouvrant la voie à une conception de batterie plus solide à l’état tout solide. La recherche apparaît dans la revue Matériaux de stockage d’énergie.

L’équipe a appliqué son cadre pour étudier le transport d’ions, un processus important pour la fonction de batterie qui affecte la rapidité et l’efficacité qu’une batterie peut se charger et se décharger. La façon dont les ions se diffusent à travers les matériaux sont fortement influencés à la fois par les propriétés intrinsèques du matériau ainsi que la façon dont le matériau est disposé au niveau de la microstructure.

« Notre travail introduit un cadre de modélisation mésoscopique assisté d’apprentissage automatique (ML) pour déchiffrer la relation entre les caractéristiques microstructurales et le transport ionique, représentant une approche de pointe qui combine des techniques basées sur les données avec la modélisation méso-échelle », a déclaré Longsheng Feng, un post-doc Le groupe de science des matériaux de calcul de LLNL, la division des sciences des matériaux et le premier auteur du journal.

Les travaux se sont concentrés sur des composites en deux phases, qui sont couramment utilisés dans les batteries à semi-conducteurs, en utilisant Li₇La₃Zr₂O₁₂-LIOO₂ comme système modèle.

« Nous avons développé une nouvelle méthode pour générer des représentations numériques des microstructures polycristallines de mélanges biphasées, combinant des méthodes basées sur la physique et stochastiques, permettant une reconstruction efficace et cohérente des microstructures numériques pour augmenter les données microstructurales pour la formation de modèles ML », a déclaré Bo Wang Bo Wang Bo Wang  » , un post-doctorant et co-auteur du journal.

La nouvelle méthode de l’équipe les a aidés à générer de nombreuses représentations numériques de microstructures de matériaux distinctes avec différentes configurations de grains, de limites de grains et d’interface. Ils ont ensuite extrait les caractéristiques des microstructures générées et utilisé un modèle ML pour identifier les caractéristiques microstructurales spécifiques qui affectent de manière critique la diffusivité ionique efficace.

« Ce travail s’appuie sur notre développement antérieur d’un cadre de modélisation à plusieurs échelles qui comprend à la fois des capacités de modélisation atomistique et de simulation à méso-échelle pour les matériaux pour les applications énergétiques », a déclaré Brandon Wood, chercheur principal du projet.

L’approche de l’équipe a permis une analyse complète des caractéristiques microstructurales et d’interface très complexes et leurs implications pour les propriétés des matériaux. Leurs résultats ont confirmé que la diversité des caractéristiques microstructurales peut avoir un impact significatif sur les propriétés de transport efficaces. Notamment, l’interface entre les deux phases a joué un rôle essentiel dans la détermination de ces propriétés.

Ces idées mettent en évidence l’importance combinée de l’ingénierie microstructurale et interface pour améliorer les propriétés globales de transport ionique dans les matériaux composites.

« Notre cadre de modélisation établi peut être étendu pour étudier d’autres caractéristiques microstructurales et chimiques critiques (par exemple, pores, additifs et liants), représentant les impacts plus larges et la praticité de cette approche pour les matériaux dans les applications de stockage d’énergie et au-delà », a déclaré Tae Wook Heo, Le responsable de la modélisation à méso-échelle du projet.