GeoDict应用 · 电池

借助GeoDict软件加速电池材料研发

锂离子电池的性能、可靠性与安全性,在众多工业与消费类应用中都扮演着至关重要的角色。借助GeoDict仿真软件,用户可以在微结构层面对电极与隔膜材料进行精确的材料分析与电化学过程仿真,及时发现潜在的薄弱环节,并据此实现有针对性的优化设计。

以下案例展示了Math2Market与合作伙伴利用GeoDict在电池材料研发领域取得的最新成果。如您希望进一步了解相关内容,欢迎预约在线咨询,或通过联系表单与我们的专业团队取得联系。

案例一:充电仿真中考虑活性材料内部的各向异性扩散

还原石墨颗粒取向对锂离子传输的影响

借助 GeoDict 中的 BatteryDict 模块进行微结构仿真,可以在不同充电模式(恒定充电倍率、恒定电流、恒定电压)下,还原电池电极内部微观分辨率级别的离子通量与锂离子浓度变化。

石墨等常见电池活性材料,由于其原子结构特点,锂离子扩散表现出强烈的方向依赖性。例如在石墨中,沿石墨烯平面(由共价键连接的碳原子构成)方向的扩散系数(Dpara = 4.4×10⁻¹⁰ m²/s)比垂直于石墨烯平面方向的扩散系数(Dperp = 8.7×10⁻¹⁶ m²/s)高出整整六个数量级 [1]。因此,单个石墨颗粒内部的锂离子传输实际上几乎只沿石墨烯平面方向进行,垂直方向的离子传输可以忽略不计。

案例 1:人工合成的石墨电极模型

GeoDict 能够在充放电仿真中考虑各向异性扩散特性与电极微结构之间的相互作用。为此,石墨颗粒被建模为由两种不同材料 ID 构成的条纹图案,BatteryDict 的仿真模型会自动确保活性材料中不同材料 ID 之间不发生离子交换,即杜绝垂直于条纹图案方向产生离子通量。借助 GeoDict 的结构生成器,只需点击几下鼠标即可生成这种条纹状微结构:对每个椭圆形石墨颗粒而言,条纹图案会阻止沿短轴方向(即垂直于石墨烯平面方向)的扩散。

石墨中方向依赖性扩散所带来的影响,可在充电仿真结果中直接观察到。以 2C 充电倍率对石墨电极进行嵌锂仿真,直至截止电压降至 0.01 V:若考虑条纹结构所代表的石墨各向异性扩散特性(蓝色曲线),充电仿真中电极电位(相对于 Li/Li⁺)在嵌锂过程中下降得更快,相比之下,将石墨扩散系数视为各向同性的对照仿真(红色曲线)下降较慢。

案例 2:基于导入扫描数据建模的石墨电极

各向异性扩散特性同样可应用于基于导入的 µCT/FIB-SEM 扫描数据所建立的微结构模型。为此,可使用 GrainFind 模块中的"识别颗粒"(Identify Grains)功能,识别导入结构中的各个石墨颗粒,并为每个颗粒施加线状图案。

在这类结构上同样可以观察到各向异性扩散对充电曲线的影响。以 2C 充电倍率对比电极电位,当考虑各向异性扩散特性时(蓝色曲线),电极电位更低。与案例一相同,当考虑各向异性扩散特性时,扫描石墨电极的嵌锂过程更不均匀,这意味着相比各向同性扩散,电极电位会在更低的已转移容量下便开始下降。

参考文献

• [1] K. Persson et al., "Lithium Diffusion in Graphitic Carbon," J. Phys. Chem. Lett., vol. 1, no. 8, pp. 1176–1180, Apr. 2010. DOI: 10.1021/jz100188d
• [2] J. Sandherr et al., "Micro embossing of graphite-based anodes for lithium-ion batteries to improve cell performance," Journal of Energy Storage, vol. 65, p. 107359, Aug. 2023. DOI: 10.1016/j.est.2023.107359

原文文献名:Considering anisotropic diffusion in the active material in charging simulations

案例二:锂离子电池正极 FIB-SEM 图像的分割方法对比

分割效果越好,结果越精确

锂离子电池的性能、可靠性与安全性,在众多工业与消费类应用中都发挥着重要作用。借助 FIB-SEM 设备,可以获得电池正极在纳米尺度下的精细图像,在这些图像中,活性材料与粘结剂能够被清晰区分,甚至可以进一步研究颗粒的组成成分。

然而 FIB-SEM 设备天然存在一项不足:若扫描样品在成像前未经过浸渍处理,逐层获取的图像不仅会显示当前切片,还会显示位于孔隙背后的区域。由于浸渍处理往往耗时且可能改变材料结构,该步骤常常被省略。

对于数值仿真与几何分析而言,需要精确的三维样品图像。因此,分割算法必须能够准确区分不同相态,并将切片中的区域精确归类为当前的前景或背景。这一挑战还因离子束切割不同强度材料时产生的所谓"幕帘伪影"(curtaining artifacts)而进一步加大。传统分割方法(如全局阈值法或分水岭算法)在处理此类图像时常常力不从心,而新型的基于机器学习的分割方法则是解决这一问题的先进途径,本案例对三种方法进行了对比。

案例一:基于提升树(Boosted Tree)的分割

该方法与经典的可训练 Weka 分割法 [1] 十分相似:针对每个已标注的像素,计算一组特征并输入分类器(此处为提升树 [2])进行训练;训练完成后,该分类器可应用于扫描数据中的全部体素,以获得完整的分割结果。特征的选取对分割效果的好坏较为关键,寻找合适的特征可能需要一定时间。该方法训练速度较快,但整个过程主要耗时在特征图像的计算上,所需的人工标注数据较少,也无需 GPU。该方法在区分颗粒前景与孔隙、粘结剂方面表现良好,但粘结剂的分割效果尚不完全令人满意,部分区域中背景颗粒被误标为粘结剂,部分粘结剂又被误标为孔隙。

案例二:基于二维 U-Net 的分割

第二种测试方法为基于二维 U-Net [3] 的深度学习分割。U-Net 在图像分割任务中已得到广泛应用,深度神经网络分割中最关键的环节是训练数据的构建。本案例选择使用稀疏标注数据进行网络训练,该方法允许用户在三维图像中自由选择标注区域,而无需对整个切片进行完整标注。训练二维 U-Net 所需时间明显长于训练提升树分类器,且需要 GPU 支持。二维 U-Net 对颗粒的分割结果同样表现优异,在幕帘伪影严重的区域,其表现甚至优于提升树方法。粘结剂相的分割结果相比提升树方法也有所改善,但仍存在一些伪影,部分区域中各个已标注的 Z 切片之间出现不连续现象。

案例三:基于三维 U-Net 的分割

该方法同样基于 U-Net 架构,但采用三维版本进行训练。训练数据与二维 U-Net 案例基本相同,仅在部分区域的连续切片中增加了约 5% 的标注数据,以充分利用三维上下文信息,训练时间与案例二相近。颗粒部分的分割结果与前述方法相近,未观察到明显优势;而在粘结剂相的分割上,三维 U-Net 表现更佳,得益于三维上下文感知能力,切片之间不再出现不连续现象。

使用的模块

• GeoDict Base Functionality
• ImportGeo-Vol

这一结果对 GeoDict 用户意味着什么?

现代分割方法为 FIB-SEM 图像分析带来了诸多优势。在本次分割方法对比中,所采用的图像处理方法均可由非专业人员完成操作。这些方法的初始门槛在于需要人工标注训练数据,这一步骤较为耗时,也可能引入人为误差。

参考文献

• [1] I. Arganda-Carreras, V. Kaynig, C. Rueden, K. W. Eliceiri, J. Schindelin, A. Cardona, H. Sebastian Seung, "Trainable Weka Segmentation: a machine learning tool for microscopy pixel classification," Bioinformatics, Vol. 33, Issue 15, pp. 2424–2426, 2017. DOI: 10.1093/bioinformatics/btx180
• [2] T. Chen and C. Guestrin, "XGBoost: A Scalable Tree Boosting System," Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '16), pp. 785–794, 2016. DOI: 10.1145/2939672.2939785
• [3] O. Ronneberger, P. Fischer, T. Brox, "U-Net: Convolutional Networks for Biomedical Image Segmentation," Medical Image Computing and Computer-Assisted Intervention (MICCAI), Springer, LNCS, Vol. 9351, pp. 234–241, 2015. DOI: 10.1007/978-3-319-24574-4_28
• [4] Ö. Çiçek, A. Abdulkadir, S. S. Lienkamp, T. Brox, O. Ronneberger, "3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation," Medical Image Computing and Computer-Assisted Intervention (MICCAI), Springer, LNCS, Vol. 9901, pp. 424–432, 2016. DOI: 10.1007/978-3-319-46723-8_49

致谢:感谢 ZEISS 合作伙伴提供正极材料的 FIB-SEM 扫描数据。

原文文献名:Segmentation Methods for FIB-SEM Images of Li+ - Cathodes

案例三:应变诱导电池老化的实验验证仿真

电池老化的微结构级定量仿真

电池老化的微结构级定量仿真项目,由Math2Market与苏黎世联邦理工学院(ETH Zürich)Vanessa Wood 教授领导的 MaDE 研究组共同开展,项目依托于欧盟"SOLVED!"项目框架。

实验方法:通过三维原位(in-operando)X 射线断层扫描与电化学表征,分析 NMC 正极与石墨负极的微结构变化。

数字化方法:利用 GeoDict 仿真电池充放电过程中,活性材料内局部锂离子浓度所导致的电极微结构局部应力与膨胀,并据此监测和预测微结构变化对电池性能的影响。

本项研究的具体开展步骤如下:

• 在 GeoDict 中结合电池充电仿真与力学膨胀仿真,对电池循环过程进行仿真;
• 由苏黎世联邦理工学院 MaDe 研究组通过原位 X 射线断层扫描,分析电池循环过程中微结构的动态行为;
• 将仿真结果与实验数据进行对比,完成验证;
• 分析材料与结构调整对应变诱导电池老化的影响。

研究成果:这一独特的数字化工作流程,代表了面向电动出行与储能领域能源材料数字化研发的一套高效、先进的方法论。

对客户意味着什么:可靠的定量仿真,是以节省时间、简化流程的方式开发出寿命更长、性能更优的全新电池原型材料的有效途径。

第一部分:应变诱导的电池老化与衰减

电池研发中的关键问题

• 电池在循环过程中的性能表现如何?
• 电极微结构在电池充电过程中如何变化?
• 如何减缓电池老化?

使用的 GeoDict 模块

• ImportGeo-Vol
• BatteryDict
• GeoPy

电池衰减在一定程度上源于电极微结构在电池循环过程中的变化。在锂离子电池充电或运行过程中,进入电极的锂会导致活性材料膨胀,局部锂浓度决定了这种膨胀的程度,进而在微观与宏观尺度上产生机械应力。电池循环过程中的这些应力会导致材料因裂纹、分层以及非活性层与外壳变形而发生衰减 [1],发生改变的微结构即被称为"老化",并伴随容量损失以及析锂等损伤效应 [2]。

第二部分:仿真电池循环过程

循环过程中动态过程的仿真,以探测结构变化

利用 GeoDict 仿真电池充放电过程中电极微结构的局部应力与膨胀,并使用实验数据对这些衰减仿真进行验证。在这些仿真中,微尺度锂嵌入导致的局部变形与损伤,与活性材料中的局部锂离子浓度及其局部体积变化相关联;电化学电池充电的三维仿真与力学变形仿真相互耦合,以仿真电极的膨胀过程。

对每一个充放电步骤,发生改变的微结构都会被动态地纳入考量。通过数字化方式,可预测并监测结构变化对电子与离子传输过程,以及对电池整体宏观性能的影响。

使用的 GeoDict 模块

• BatteryDict
• ElastoDict
• GeoPy

第三部分:实验测量

通过原位测量对电极进行验证

通过原位 X 射线断层扫描 [3],分析电池循环过程中微结构的动态行为。在"SOLVED!"项目中,借助耦合的电化学与力学仿真,研究了锂离子电池循环过程中微结构的动态行为;仿真结果通过与 LiNiMnCoO2 正极及石墨负极的原位 X 射线断层扫描测量数据进行对比来验证,同种材料的电化学表征数据则用于仿真参数化。数据集与相应的三维渲染图像由苏黎世联邦理工学院 MaDE 研究组提供。

第四部分:仿真与验证

展示了 GeoDict 中石墨负极半电池仿真的验证结果

为加速计算,GeoDict 中的 LIR 求解器已针对电池充电仿真进行了适配。为数字化电池定义了循环协议,以控制电化学充电与力学变形自动耦合仿真中的充放电过程。GeoDict 成熟的电池材料三维图像数据导入、处理与分析工作流程,进一步结合强大的结构生成器,建立了电池材料及数字化电池的真实统计学数字孪生模型,并对力学变形导致的损伤进行仿真。最终,借助自动化评估与数据后处理,可对整个电极在电池循环过程中的容量与性能变化进行仿真。

将石墨负极切割样本的仿真膨胀结果,与相应的原位测量结果进行对比以验证仿真:在自由边界条件下,颗粒的总膨胀率测量值为 10%,仿真值为 9.8%。在 60% 荷电状态(SOC)下对结构切片进行对比:测量与仿真中材料相同的体素,电解液以白色显示,石墨以灰色显示;而在仿真与测量中标注不同的体素,则分别以蓝色与红色显示。这些差异主要源于仿真结果所展示的是各向同性膨胀,而由于石墨薄片的取向,实际膨胀在测量中呈现各向异性。石墨的这种各向异性膨胀,将作为项目的下一步工作进行仿真。

参考文献

• [1] S. Müller, P. Pietsch, B.-E. Brandt, P. Baade, V. De Andrade, F. De Carlo, V. Wood, "Quantification and modeling of mechanical degradation in lithium-ion batteries based on nanoscale imaging," Nature Communications, 2018. DOI: 10.1038/s41467-018-04477-1
• [2] M. A. Cabañero et al., "Investigation on the temperature dependence of lithium plating in commercial Li-ion batteries," Electrochimica Acta 171, pp. 1217–1228, 2017.
• [3] P. Pietsch and V. Wood, "X-Ray Tomography for Lithium-ion Battery Research: A Practical Guide," Annu. Rev. Mater. Res., 47, pp. 451–479, 2017.

致谢:感谢(https://ethz.ch)、Vanessa Wood 教授及其团队的密切合作及提供实验数据。本项目获得欧盟"Eurostars-2"联合计划(Eurostars-2 joint programme)及欧盟"地平线 2020"研究与创新计划(Horizon 2020)联合资助,项目编号 E!113343。

原文文献名:Experimentally validated simulation of strain-induced battery aging

案例四:兼顾快速充电与高能量密度的电池研发

借助 GeoDict 仿真软件优化电极材料微结构

要充分释放电动出行的巨大潜力并赢得主流市场的认可,关键在于攻克电池快速充电与高能量密度难以兼顾这一技术难题。这一任务不能完全依赖于寻找能同时满足这两项相互冲突的极端技术要求的新型电极材料组分,而必须着眼于通过对现有电极材料进行微结构优化来解决这一两难困境。在充电过程中,离子传输过程在微观尺度上起着关键作用,而这一过程主要受电极材料的微结构与织构所支配。

传统的试错式实验优化耗时、成本高昂,且无法评估单一参数对复杂电池系统的具体影响。为应对这一挑战,先进的仿真软件 GeoDict 应运而生——它既可以导入并分割电极材料的 CT 扫描数据,也可以虚拟生成具有代表性体积单元(REV)的真实三维微结构。这款易于使用的软件,已被广泛用于改善电极材料的微结构,推动电池研究领域的真正创新。

问题所在:实验优化耗时且成本高昂

统一快充与高能量密度所面临的挑战

• 面向快充的高能量负极材料;
• 负极动力学的优化;
• 微结构与织构的精准调控。

锂离子电池在能量密度、快速充电能力及成本效益方面依然面临挑战,先进电极材料对于突破电动出行发展瓶颈至关重要,业界也在持续努力将快充能力与高能量密度结合起来。若对高能量密度的负极材料进行充电,锂离子的传输通道往往会受到限制,导致具有反应活性的金属锂发生不可逆的堆积,进而造成电池容量下降、内阻增大,甚至引发短路和安全问题。

由于研发过程中缺乏系统化方法,颗粒尺寸、形状、分布、迂曲度和孔隙率等关键负极动力学参数的优化极具挑战性,目前这些参数的调整仍主要依赖成本高昂且耗时的试错实验,这种方法往往难以在复杂的电池系统中单独厘清各个参数的具体影响。

了解更多用于电池研究的 GeoDict 模块

• GeoDict Base Functionality
• ImportGeo-Vol
• GrainFind
• DiffuDict
• PoroDict
• GrainGeo
• FiberGeo
• BatteryDict

解决方案:在 GeoDict 中对复杂电池系统进行详细的三维仿真

GeoDict 通过强大的软件工具,替代并补充了传统的实验方法——在真实的微结构上仿真电池循环过程及几何、传输性能,从而优化负极材料的性能。Math2Market GmbH将GeoDict作为最佳仿真解决方案提供给用户,并随时准备协助开发面向快速充电优化的电极材料。

GeoDict 从电极微结构出发,直至对虚拟电池进行充电,可对复杂电池系统运行详细的三维仿真,揭示单一参数对电池性能的具体影响。结合个性化培训与技术支持,这款模块化的 GeoDict 软件能够完美适配任何研发工作流程。

GeoDict 中的工作流程——从三维扫描到电池技术创新

1. 导入三维图像:利用 ImportGeo 与 GrainFind 导入并分析电极材料的三维扫描数据,在微观尺度上识别活性材料、粘结剂、导电炭黑以及电解液,并通过手动方式或利用可编辑的材料数据库为其赋予相应的物理属性(如离子电导率)。
2. 分析材料性能:利用 DiffuDict 与 PoroDict 计算比活性表面积、离子扩散系数及迂曲度,从而识别可能导致析锂的锂嵌入瓶颈所在。
3. 快速充电仿真:利用 BatteryDict 仿真由电极组成的虚拟电池的快速充电过程,计算电池电压、局部离子浓度与电位分布、离子与电流、过电位、产热源等,并通过监测活性材料与电解液界面处的过电位来检测析锂现象。
4. 生成统计学数字孪生:利用 GrainGeo 模块对材料进行统计学层面的变化生成,同时保持负极材料的微观(如颗粒尺寸分布)与宏观(如迂曲度、孔隙率)性能不变,生成与真实电极材料性能一致的数字孪生模型,直至达到所需性能。
5. 变化统计参数以实现优化:利用 GeoDict 生成 50,000 余个电极材料实例组成的矩阵,每次仅改变单一参数,通过快速的 BatteryDict 三维充电仿真,从电导率、扩散系数、迂曲度及充电表现等方面识别出最具潜力的方案——例如通过调整颗粒尺寸分布、粘结剂含量等,将充电过程中的析锂现象降至最低,直至快速充电仿真收敛至理想状态。
6. 选出最具潜力的原型方案:找出最优的数字化原型方案,并总结出全新的实用设计准则,以推动电池技术的创新发展。

如何将 GeoDict 融入已有的研发工作流程?

覃思科技愿与用户携手,协助运用 GeoDict 解决具体问题。在量身定制的评估项目中,我们将培训用户高效使用 GeoDict 进行微结构建模、性能仿真与预测,以及仿真结果的可视化与解读。GeoDict 支持多种数据导入导出格式(如 MATLAB®、Microsoft Excel®),并可对生成的结构进行网格划分与导出,从而无缝集成到与其他软件工具协同的已有工作流程中。此外,GeoDict 还可通过用户自行编写的 Python 宏与脚本进行控制和运行。培训结束后,覃思科技的专业技术支持团队将持续陪伴用户走向成功之路,每年的软件更新也确保 GeoDict 始终站在材料微结构设计科学发展的前沿。

结果:更高的有效扩散系数与更大的比活性表面积可降低析锂风险,实现快速充电

电解液中的有效离子扩散系数,是优化电极材料以实现快速充电的关键参数,它高度依赖于迂曲度 τ——这是衡量因电极微结构导致离子传输路径弯曲程度的指标,迂曲度越低,锂离子扩散能力越强。对于电极中的活性颗粒而言,关键参数则是比活性表面积,必须最大化该数值,以提供足够的电化学活性位点供离子传输。优化迂曲度与比活性表面积,可避免锂离子传输与嵌入过程中出现瓶颈,从而抑制析锂现象。微结构迂曲度及电解液中有效扩散系数的计算,通过 DiffuDict 模块完成;活性颗粒的比表面积则在 GrainFind 模块中确定。下一步,在 GrainGeo 模块中对固相体积百分比、孔隙率,以及颗粒的尺寸分布、形状与取向等结构参数进行优化,再利用 BatteryDict 进行充电仿真,验证析锂现象是否得到抑制。

大众集团创新部门(Volkswagen Group Innovation)正是运用这一工作流程,研究快充负极材料的设计准则:

• 通过减小颗粒尺寸等方式,增大活性石墨表面积;
• 通过调整颗粒取向等方式,提高有效电解液扩散能力;
• 调整颗粒取向,使棱柱面暴露出来,以便进行锂离子交换。

结论

• 要实现电池高能量密度、低成本、卓越寿命与快速充电兼顾的目标,首先要从理解并精细调控材料的微观尺度特性入手;
• 仿真软件 GeoDict 构成了一座真正的数字材料实验室,支持对面向未来出行的创新型电池材料进行数字化表征与设计;
• GeoDict 是分析与优化电池微结构的终极研发工具包,可轻松集成到任意工作流程中;
• 覃思科技提供强大而专业的科学技术支持,致力于协助客户攻克具体的研发难题,助力客户实现研发目标;
• 仿真结果示例:仿真并优化有效离子扩散系数等传输性能、迂曲度等几何性能,以及活性颗粒的比表面积,以防止负极出现析锂现象;
• 大众集团已成功将 GeoDict 集成到其集团创新流程中,用于研究电极微结构,并制定高能电极、快速充电等研发项目的设计准则。

原文文献名:The challenge of pairing fast charging batteries with high energy density

相关科学出版物

以下为与电池材料研究相关的最新学术出版物,供进一步阅读参考:

• Y. et al., "Microstructure-guided reactant transport engineering in architected three-dimensional air electrodes for high-performance Li–O2 batteries," Journal of Power Sources, 2026. DOI: 10.1016/j.jpowsour.2026.240471
• "Understanding the Role of Microstructure in the Extraction of Solid-State Diffusion Coefficients by a 3D Modeling Approach," Journal of The Electrochemical Society, 2026. DOI: 10.1149/1945-7111/ae7cb8

结语

从考虑石墨各向异性扩散的精细化充电仿真，到FIB-SEM图像的先进分割方法；从与苏黎世联邦理工学院合作、经过实验验证的电池老化定量仿真，再到助力大众集团制定快充电极设计准则的微结构优化工作流程——以上案例充分展示了GeoDict作为"数字材料实验室"，在锂离子电池材料研发全流程中所发挥的核心价值：从三维扫描数据的导入与分析，到材料性能计算、电化学与力学耦合仿真，再到统计学数字孪生的批量参数优化，GeoDict帮助电池研发人员在虚拟环境中高效识别材料薄弱环节，大幅缩短研发周期、降低实验成本，加速新一代高性能、高安全性电池材料的诞生。

如您希望进一步了解GeoDict在电池材料研发领域的具体应用，或希望获取免费试用许可，欢迎联系覃思科技，我们将根据您的实际需求提供专业的技术支持与解决方案建议。