Lucas Tosin Paese – (CEA, ISAS) a animé le vingt-et-unième webinaire de l’association portant sur ses travaux de thèse liés au développement d’un modèle thermodynamique appliqué aux batteries lithium-ion.
Les batteries au lithium-ion sont cruciales pour notre mode de vie moderne, offrant une densité d’énergie élevée et une efficacité notable. De l’alimentation des smartphones aux véhicules électriques et au stockage d’énergie renouvelable, elles jouent un rôle vital dans l’avancement technologique et la promotion de la durabilité, réduisant notre dépendance aux sources d’énergie traditionnelles. Les oxydes de nickel-manganèse-cobalt (NMC), un matériau de cathode prédominant dans les batteries au lithium-ion, offrent une combinaison équilibrée de haute densité d’énergie et de stabilité. Leur composition, généralement notée « NMCxyz » (avec x, y et z représentant les ratios de nickel, manganèse et cobalt), permet aux fabricants de personnaliser les batteries pour des applications spécifiques.
Les batteries NMC sont largement utilisées dans les véhicules électriques et l’électronique portable, contribuant à l’évolution continue de solutions de stockage d’énergie efficaces et puissantes. Cependant, le cobalt pose des défis éthiques et environnementaux, avec des préoccupations concernant les conditions dangereuses et le travail des enfants dans son extraction, stimulant des efforts croissants pour développer des alternatives sans cobalt. Dans ce contexte, le développement d’un modèle thermodynamique décrivant le système chimique Li(Ni,Mn,Co)O2–(Ni,Mn,Co)O2, représentant les NMCs, peut faciliter la recherche de compositions optimales de NMC qui minimisent la teneur en cobalt, tout en conservant la performance et la sécurité.
La théorie est basée sur la méthode CALPHAD (CALculation of PHAse Diagrams), où la première étape de la construction de ce modèle consiste en une revue approfondie de la littérature sur les données thermodynamiques disponibles concernant les matériaux LiMO2 (M = Ni, Co et Mn) et leurs composés délithiés. Dans une deuxième étape, les lacunes identifiées dans cette revue ont été comblées avec des calculs DFT et une campagne expérimentale. Enfin, grâce à cette collecte de données, le modèle a été développé. Les données utilisées pour optimiser les paramètres du modèle ont servi à vérifier la qualité de l’ajustement, tandis que les autres données ont servi à évaluer le pouvoir de prédiction du modèle.