ADAPTES – Accelerated Aging Protocol for Electrochemical Systems

• Forschungsstelle: BFE
• Projektnummer: SI/502881

Kurzbeschreibung (Deutsch)

Dieses Projekt zielt darauf ab, eine Methodik für beschleunigte Alterungstechniken zu entwickeln, die reale Verschlechterungsszenarien in Lithium-Ionen-Batterien innerhalb kürzerer Zeiträume nachbilden. Ziel ist es, Protokolle zu entwickeln, die nicht nur die Alterung beschleunigen, sondern auch die primären Verschlechterungsmechanismen unter praktischen Betriebsbedingungen isolieren oder identifizieren. Durch die Konzentration auf Prozesse wie das Wachstum der SEI in Batterien stellt das Rahmenwerk sicher, dass beschleunigte Tests die Leistung unter realen Bedingungen widerspiegeln, ohne unrealistische Fehlermodi einzuführen. Maschinelles Lernen (ML) wird eingesetzt, um die Versuchsplanung zu optimieren und die Datenanalyse zu verbessern, indem Belastungsprotokolle in Echtzeit verfeinert werden, um spezifische Degradationsmechanismen zu ermitteln. ML wird auch die Genauigkeit von langfristigen Leistungsprognosen und die Identifizierung von Fehlermodi verbessern und die Grenzen herkömmlicher Methoden überwinden. Dieser Ansatz wird die Standardisierung beschleunigter Alterungstests unterstützen und die Reproduzierbarkeit in verschiedenen Branchen und Forschungsinstituten sicherstellen.

Kurzbeschreibung (Englisch)

This project aims to create a methodology for accelerated aging techniques that replicate real-world degradation scenarios in lithium-ion batteries within shorter timeframes. The objective is to develop protocols that not only accelerate aging but also isolate or identify the primary degradation mecha-nisms under practical operating conditions. By focusing on processes such as SEI growth in batter-ies, the framework ensures that accelerated tests reflect real-life performance without introducing un-realistic failure modes. Machine learning (ML) will be used to optimize experimental design and en-hance data analysis, refining stress protocols in real-time to target specific degradation mechanisms. ML will also improve the accuracy of long-term performance predictions and failure mode identifica-tion, addressing limitations of traditional methods. This approach will support the standardization of accelerated aging tests, ensuring reproducibility across industries and research institutes.

Kurzbeschreibung (Französisch)

Ce projet vise à créer une méthodologie pour les techniques de vieillissement accéléré qui reproduisent les scénarios de dégradation du monde réel dans les batteries lithium-ion dans des délais plus courts. L'objectif est de développer des protocoles qui non seulement accélèrent le vieillissement mais aussi isolent ou identifient les principaux mécanismes de dégradation dans des conditions de fonctionnement pratiques. En se concentrant sur des processus tels que la croissance des SEI dans les batteries, le cadre garantit que les tests accélérés reflètent les performances réelles sans introduire de modes de défaillance irréalistes. L'apprentissage automatique sera utilisé pour optimiser la conception expérimentale et améliorer l'analyse des données, en affinant les protocoles de stress en temps réel pour cibler des mécanismes de dégradation spécifiques. L'apprentissage automatique améliorera également la précision des prévisions de performance à long terme et l'identification des modes de défaillance, en tenant compte des limites des méthodes traditionnelles. Cette approche soutiendra la normalisation des tests de vieillissement accéléré, garantissant la reproductibilité entre les industries et les instituts de recherche.