Målet med projektet var att undersöka samt implementera en fysikbaserad DFN modell för att simulera kalender samt cyklingåldrande av litiumbatterier som används i elbilar. Den fysikbaserade modellen var konstruerad baserad på ett Python biblioteket vid namn PyBaMM, vilket till skillnad från datadrivna modeller ger essentiell information om de kemiska processerna inuti batteriet. Den första delen av projektet täcker konceptet av kalenderåldring, vilket inkluderar en jämförelse mellan tre olika tre olika hastighetsbegränsande SEI modeller. Parametrar som påverkar det erhållna resultatet från modellen är identifierade, estimerade, och till slut validerade för att säkerhetsställa att modellen och parametrarna är identifierbara gentemot experimentella data. Resultatet av jämförelsen gav att SEI tillväxt begränsad av litium interstitiell diffusion är den mest optimala modellen att applicera när kalenderåldring för litiumbatterier ska modelleras. Resultaten visade också att endast en parameter, inre SEI litium interstitiell diffusivitet ska justeras för att erhålla optimal anpassning mot experimentella data. Andra delen av projektet använde resultatet från den första delen och litium plätering implementerades som en andraåldringsmekanism som undersöktes under tre olika laddningsprotokoll. Modellen var optimerad och anpassad gentemot experimentella data, där parametervärdet för kinetisk hasighetskonstanten för plätering var estimerad. Den optimerade modellen användes därefter för att erhålla mer information om elektrokemiska variabler för att kunna analysera samt beskrivaåldringsprocessen utan att behöva genomföra praktiska laborationer. Resultaten visade att mängden pläterat litium på den negativa elektroden ökade för celler som var exponerade till högre ström under laddningsprocessen, samt när cellerna var laddade vid höga SoC nivåer. Sammanfattningsvis, visade modellen hög potential att representera och evaluera experimentella data, samt tillhandahålla en inblick i elektrokemiska processer och kapacitetsförluster länkade till SEI tillväxt och litium plätering. Däremot, för att erhålla en högre grad noggrannhet av elektrokemiskaåldringsmekanismer i litiumbatterier, fler ytterligare mekanismer måste implementeras såsom mekanisk stress av både negativ och positiv elektrod. / The aim of this study was to investigate and apply a physics-based DFN model to simulate the calendar and cycling ageing of lithium-ion batteries manufactured for EV applications. The physics-based cell ageing model was constructed based on the open-source software Python library PyBaMM, which in comparison to data-driven models provides more essential information about the chemical process within the battery cell. The first part of the project covers the concept of calendar ageing which includes comparisons between three different rate-limiting SEI growth models. Parameters that affect the output from the physics-based model are isolated, estimated with numerical methods, and lastly validated to ensure that the model and the parameters rep- resent the physics behind the experimental data. It was found that the SEI growth limited by lithium interstitial diffusion is the most optimal model to apply for a physics-based model when modeling calendar ageing. It was also found that the only parameter that should be tuned against experimental data is the inner SEI lithium interstitial diffusivity. The second part of the project utilizes the results from the first part and introduces lithium plating as a second cell ageing mechanism under three different charging protocols. The model was optimized and fitted against experimental data by sweeping the lithium plating kinetic rate constant parameter. The optimized model was thereafter used to generate outputs that more thoroughly can explain the degradation effects of the cell without constructing real-world experiments. Where increased rate of plated lithium could be observed for the cell subjected to higher charging C-rate, and when the cells were charged at high SoC levels. To summarize, the model showed great potential in representing and evaluating the experimental data and providing the project with insight into the electrochemical processes and cell capacity losses of SEI growth and lithium plating. However, in order to achieve a higher accuracy of cell ageing model in relation to the lithium-ion cells used in customer vehicles, several additional cell degradation mechanisms have to be introduced, such as mechanical degradation of the two electrodes.

Målet med projektet var att undersöka samt implementera en fysikbaserad DFN modell för att simulera kalender samt cyklingåldrande av litiumbatterier som används i elbilar. Den fysikbaserade modellen var konstruerad baserad på ett Python biblioteket vid namn PyBaMM, vilket till skillnad från datadrivna modeller ger essentiell information om de kemiska processerna inuti batteriet. Den första delen av projektet täcker konceptet av kalenderåldring, vilket inkluderar en jämförelse mellan tre olika tre olika hastighetsbegränsande SEI modeller. Parametrar som påverkar det erhållna resultatet från modellen är identifierade, estimerade, och till slut validerade för att säkerhetsställa att modellen och parametrarna är identifierbara gentemot experimentella data. Resultatet av jämförelsen gav att SEI tillväxt begränsad av litium interstitiell diffusion är den mest optimala modellen att applicera när kalenderåldring för litiumbatterier ska modelleras. Resultaten visade också att endast en parameter, inre SEI litium interstitiell diffusivitet ska justeras för att erhålla optimal anpassning mot experimentella data. Andra delen av projektet använde resultatet från den första delen och litium plätering implementerades som en andraåldringsmekanism som undersöktes under tre olika laddningsprotokoll. Modellen var optimerad och anpassad gentemot experimentella data, där parametervärdet för kinetisk hasighetskonstanten för plätering var estimerad. Den optimerade modellen användes därefter för att erhålla mer information om elektrokemiska variabler för att kunna analysera samt beskriva åldringsprocessen utan att behöva genomföra praktiska laborationer. Resultaten visade att mängden pläterat litium på den negativa elektroden ökade för celler som var exponerade till högre ström under laddningsprocessen, samt när cellerna var laddade vid höga SoC nivåer. Sammanfattningsvis, visade modellen hög potential att representera och evaluera experimentella data, samt tillhandahålla en inblick i elektrokemiska processer och kapacitetsförluster länkade till SEI tillväxt och litium plätering. Däremot, för att erhålla en högre grad noggrannhet av elektrokemiska åldringsmekanismer i litiumbatterier, fler ytterligare mekanismer måste implementeras såsom mekanisk stress av både negativ och positiv elektrod. / The aim of this study was to investigate and apply a physics-based DFN model to simulate the calendar and cycling ageing of lithium-ion batteries manufactured for EV applications. The physics-based cell ageing model was constructed based on the open-source software Python library PyBaMM, which in comparison to data-driven models provides more essential information about the chemical process within the battery cell. The first part of the project covers the concept of calendar ageing which includes comparisons between three different rate-limiting SEI growth models. Parameters that affect the output from the physics-based model are isolated, estimated with numerical methods, and lastly validated to ensure that the model and the parameters rep- resent the physics behind the experimental data. It was found that the SEI growth limited by lithium interstitial diffusion is the most optimal model to apply for a physics-based model when modeling calendar ageing. It was also found that the only parameter that should be tuned against experimental data is the inner SEI lithium interstitial diffusivity. The second part of the project utilizes the results from the first part and introduces lithium plating as a second cell ageing mechanism under three different charging protocols. The model was optimized and fitted against experimental data by sweeping the lithium plating kinetic rate constant parameter. The optimized model was thereafter used to generate outputs that more thoroughly can explain the degradation effects of the cell without constructing real-world experiments. Where increased rate of plated lithium could be observed for the cell subjected to higher charging C-rate, and when the cells were charged at high SoC levels. To summarize, the model showed great potential in representing and evaluating the experimental data and providing the project with insight into the electrochemical processes and cell capacity losses of SEI growth and lithium plating. However, in order to achieve a higher accuracy of cell ageing model in relation to the lithium-ion cells used in customer vehicles, several additional cell degradation mechanisms have to be introduced, such as mechanical degradation of the two electrodes.