Die Mikrostruktur der Elektroden und Separatoren von Li-Ionen-Batterien ist für die Zellleistung und das Alterungsverhalten von zentraler Bedeutung [1]. Mikrostrukturelle Defekte wie Poren, Fremdpartikel oder ungleichmäßige Materialagglomerationen verringern zum Beispiel die Kapazität und die Ladungseffizienz der Batteriezellen. Fremdpartikel können im schlimmsten Falle zu Kurzschlüssen führen [2]. Ungleichmäßige Materialverteilungen über die Elektrodendicke oder ungleichmäßige Zellwicklungen resultieren in einer ungleichmäßigen Spannungs-, Lithium- sowie Elektrolytverteilung. Diese ungleichmäßigen Verteilungen beeinflussen neben der Leistung, auch die Zyklenstabilität und Sicherheit der Batteriezellen. [2,3,4] Die Alterung einer Batteriezelle äußert sich in Form von Kapazitätsverlust und steigendem Innenwiderstand. Dabei kann es während der Nutzung einer Zelle zu einer Vielzahl verschiedener Alterungseffekte kommen. Typische Alterungseffekte sind zum Beispiel: irreversibler Lithium-Verlust durch Deckschichtbildung (Solid Electrolyte Interface, SEI), Verlust des Aktivmaterials durch Partikelbrüche (Kontaktverlust) oder durch Auflösen der Übergangsmetalle (Ni, Mn, Co, Fe) im Elektrolyten, Hemmung der Li-Diffusion durch Ablagerungen auf dem Aktivmaterial und dem Separator, Lithium-Plating, Elektrolytzersetzung und Gasbildung [5, 6, 7, 8, 9, 10]. All diese Alterungsmechanismen werden neben den elektrochemischen Abläufen von Veränderungen der Mikrostruktur begleitet.
Um die Veränderungen der Mikrostruktur während der Alterung zu analysieren, werden kommerziell erhältliche 21700 Li-Ionen-Batterien systematisch gealtert und die unterschiedlichen Alterungsstufen miteinander verglichen. Dafür werden sowohl zerstörungsfreie Messmethoden wie Computertomographie und Röntgenmikroskopie, als auch die zerstörende Methode der Zellöffnung mit anschließender Licht- und Rasterelektronenmikroskopie verwendet. Durch den Einsatz von Machine Learning bei der Auswertung wird die Aussagekraft und statistische Belastbarkeit der Mikrostrukturanalyse erhöht.

Referenzen
[1] S. Müller, J. Eller, M. Ebner, C. Burns, J. Dahn, V. Wood, Journal of The Electrochemical Society, 2018, Vol. 165, 2, A339-A344
[2] D. Mohanty, E. Hockaday, J. Li, D. K. Hensley, C. Daniel, D. L. Wood, Journal of Power Sources, 2016, Vol. 312, 70–79
[3] A. Kwade, W. Haselrieder, R. Leithoff, A. Modlinger, F. Dietrich, K. Droeder, Nature Energy, 2018, Vol. 3, 4, 290–300
[4] H. Huang, Solid State Ionics, 2000, Vol. 127, 1-2, 31–42
[5] C. R. Birkl, M. R. Roberts, E. McTurk, P. G. Bruce, D. A. Howey, Journal of Power Sources, 2017, Vol. 341, 1, 373–386
[6] K. Bischof, M. Flügel, M. Hölzle, M. Wohlfahrt-Mehrens, T. Waldmann, Journal of The Electrochemical Society, 2024, Vol. 171, 10510
[7] R. Li, L. Bao, L. Chen, C. Zha, J. Dong, N. Qi, R. Tang, Y. Lu, M. Wang, R. Huang, K. Yan, Y. Su, F. Wu, Science bulletin, 2023, Vol. 68, 23, 3055–3079
[8] J. Vetter, P. Novák, M. R. Wagner, C. Veit, K.-C. Möller, J. O. Besenhard, M. Winter, M. Wohlfahrt-Mehrens, C. Vogler, A. Hammouche, Journal of Power Sources, 2005, Vol. 147, 1-2, 269–281
[9] L. K. Willenberg, P. Dechent, G. Fuchs, D. U. Sauer, E. Figgemeier, Sustainability, 2020, Vol. 12, 2, 557
[10] M. Woody, M. Arbabzadeh, G. M. Lewis, G. A. Keoleian, A. Stefanopoulou, Journal of Energy Storage, 2020, Vol. 28, 101231