Zusammenfassung der Thesis: Die Abschätzung interner Zustände wie Ladezustand, Gesundheitszustand und Reaktionsratenverteilung in Lithium-Ionen-Batterien (LIBs) ist entscheidend für ein effektives Batteriemanagement. Obwohl es eine Herausforderung ist, diese internen Zustände mit Sensoren direkt und präzise zu messen, ist die Modellierung ein leistungsfähiges Werkzeug. In dieser Arbeit wurden mehrere physikalisch basierte Modelle zur Untersuchung der Reaktionsratenverteilung und der Degradation von LIBs vorgeschlagen.

Zunächst werden die Potenzialverteilung und der Widerstand des Stromkollektors modelliert, wodurch die Einschränkungen der derzeit weit verbreiteten Batteriemodelle ausgeglichen werden. Es wird gezeigt, dass der Widerstand des Stromabnehmers die Spannungsabfälle und die Stromdichteverteilung erheblich beeinflusst. Anschließend liefert eine Untersuchung der Reaktionsgeschwindigkeit und der Stromdichteverteilung in LIBs universelle Ableitungen und Lösungen, die auf verschiedene Batterietypen zugeschnitten sind. Es wird gezeigt, dass die Abmessungen der Batterien, das Tabbing-Design, die Parameter der Stromabnehmer und die Elektrodenmaterialien die Verteilung der Reaktionsgeschwindigkeit beeinflussen.

Darüber hinaus wird ein einfaches Modell für die zerstörungsfreie Diagnose der Batteriedegradation entwickelt. Der Verlust des Lithiuminventars und der Verlust aktiver Materialien von LIBs werden während der zyklus- und kalenderinduzierten Alterung bei verschiedenen Temperaturen, SoCs und (Ent-)Laderaten identifiziert und quantifiziert. Es wird festgestellt, dass der Verlust des Lithiuminventars der wichtigste Faktor für den Kapazitätsverlust ist.

Darüber hinaus wird ein Alterungsmodell entwickelt und validiert, das auf dem Tunnelmechanismus für das Wachstum der Festelektrolyt-Zwischenschicht (SEI) basiert und die Anodenspannung als Eingangsparameter verwendet. Dieses Modell verbessert frühere Ansätze und zeigt, dass eine niedrigere SoC die Tunnelströme und das SEI-Wachstum reduziert. Diese Forschungsarbeit trägt zu einer genaueren Darstellung der Kapazitätsverluste von Batterien bei und ist von entscheidender Bedeutung für die Vorhersage des State-of-Health von LIBs.