BattMo -- Battery Modelling Toolbox

Dieses Paper stellt BattMo vor, ein flexibles, auf MATLAB basierendes Finite-Volumen-Toolbox zur Simulation diverser elektrochemischer Batteriezellen, das 3D-Geometrien, gekoppelte thermische und Degradationsmodelle sowie eine FAIR-konforme Parametrisierung unterstützt und gleichzeitig eine effiziente gradientenbasierte Optimierung durch automatische Differenzierung ermöglicht.

Das Wesentliche

Stellen Sie sich vor, Sie möchten eine bessere Batterie entwickeln, aber anstatt physische Prototypen aus Metall und Chemikalien zu bauen (was teuer, langsam und unordentlich ist), möchten Sie diese in einem Computer bauen. Genau das macht BattMo.

Betrachten Sie BattMo als ein „Lego-Set für Batteriewissenschaftler.“

So funktioniert es, unterteilt in einfache Ideen:

1. Der Bauplan (Das „JSON“- und „Graph“-System)

Normalerweise ist das Ändern eines Batteriedesigns in einem Computerprogramm so, als würde man versuchen, das gesamte Wörterbuch umzuschreiben, nur um ein einziges Wort zu ändern. BattMo ist anders.

• Die Rezeptkarte: Sie sagen der Software, wie Ihre Batterie aussieht und woraus sie besteht, mithilfe einer einfachen Textdatei (genannt JSON). Es ist wie das Ausfüllen eines Formulars, in dem Sie sagen: „Ich möchte eine zylindrische Batterie aus dieser speziellen Art von Lithium.“
• Das Flussdiagramm: Im Inneren des Computers ist die Batterie nicht einfach nur ein Klumpen Code; sie wird wie ein Flussdiagramm oder ein Rechengraph aufgebaut. Stellen Sie sich einen Stammbaum vor, bei dem die „Eltern“ die Gesetze der Physik sind und die „Kinder“ die Ergebnisse. Wenn Sie ändern möchten, wie sich die Batterie erwärmt, können Sie einfach einen einzelnen Zweig des Baums austauschen, ohne den Rest des Baums zu beschädigen. Dies macht es sehr einfach, verschiedene Ideen zu mischen und zu kombinieren.

2. Der Simulator (Das „Virtuelle Labor“)

Sobald Sie Ihre virtuelle Batterie gebaut haben, fungiert BattMo als Hochgeschwindigkeits-Simulator.

• 3D-Modellierung: Es betrachtet nicht nur einen flachen Querschnitt der Batterie; es baut ein vollständiges 3D-Modell. Egal, ob Ihre Batterie eine flache Münze, eine aufgerollte „Jelly Roll“ oder ein großer rechteckiger Block ist – BattMo kann sie in 3D visualisieren.
• Der „Hitze“-Faktor: Es verfolgt nicht nur Elektrizität; es verfolt auch die Hitze. Es simuliert, wie die Batterie beim Laden heiß wird und wie sie abkühlt, während sie herumsteht – und das alles gleichzeitig.
• Die „Alterungs“-Beobachtung: Es kann sogar vorhersagen, wie die Batterie altert. Es simuliert Dinge wie die Bildung einer dünnen Schicht aus Ablagerungen (die sogenannte SEI-Schicht) im Inneren oder wie Silizium-Materialien wie ein Schwamm aufquellen, wenn sie Energie aufsaugen.

3. Der „Schlaue Tutor“ (Kalibrierung und Optimierung)

Einer der schwierigsten Teile der Batteriewissenschaft ist das Erraten der richtigen Zahlen für die Materialien.

• Der Auto-Justierer: BattMo verfügt über einen eingebauten „schlauen Tutor“, der eine Technik namens automatische Differenzierung verwendet. Stellen Sie sich vor, Sie versuchen, ein Radio einzustellen, um das klarste Signal zu erhalten. BattMo kann sofort berechnen, an welchen Reglern Sie drehen müssen, um die perfekte Übereinstimmung zwischen Ihrem Computermodell und realen Experimenten zu erreichen. Dies erspart Forschern das wochenlange Raten und Ausprobieren.

4. Für wen ist das gedacht?

• Die Experten: Batteriedesigner, die 50 verschiedene Formen in einer Stunde testen wollen, anstatt 50 physische Prototypen zu bauen.
• Die Studenten: Anfänger, die sehen möchten, wie Elektrizität und Wärme innerhalb einer Batterie fließen, ohne einen PhD zu benötigen, um den Code zu verstehen.
• Die Entwickler: Menschen, die dieses Werkzeug in ihre eigenen Software-Workflows integrieren möchten.

5. Was macht es besonders?

Obwohl andere Werkzeuge existieren (wie PyBaMM), ist BattMo einzigartig, weil:

• Es von Grund auf entwickelt wurde, um 3D-Formen und Hitze von Anfang an gemeinsam zu handhaben.
• Es auf einer Basis namens MRST aufgebaut ist (ein Toolbox, die ursprünglich für Ölreservoirs verwendet wurde), was bedeutet, dass es sehr gut darin ist, komplexe mathematische Probleme schnell zu lösen.
• Es offen und flexibel ist. Sie können den „Motor“ (die mathematischen Gleichungen) ganz einfach austauschen, genau wie den Austausch eines Automotors, um neue Batteriechemie zu testen.

Zusammenfassend

BattMo ist eine digitale Werkstatt, in der Sie Batterien in 3D entwerfen, bauen und testen können. Es nutzt ein modulares, blockbasiertes System, das es Wissenschaftlern ermöglicht, Teile einfach auszutauschen, die Alterung von Batterien vorherzusagen und ihre Designs automatisch an die Realität anzupassen – und das alles, ohne im echten Leben eine einzige physische Batterie bauen zu müssen.

Hinweis: Diese Software wird derzeit in großen europäischen Forschungsprojekten (wie HYDRA und BATMAX) eingesetzt, um neue Arten von Batterien für Elektrofahrzeuge und Energiespeicherung zu entwickeln, aber das Paper konzentriert sich auf das Tool selbst, nicht auf spezifische zukünftige Produkte, die es hervorbringen wird.

Technische Zusammenfassung

Technisches Resümee von BattMo: Battery Modelling Toolbox

Problemstellung
Die Entwicklung von Hochleistungs-Elektrochemiesystemen, insbesondere von Li-Ionen- und Post-Li-Ionen-Batterien, ist entscheidend für die elektrische Energiewende. Es bleibt jedoch eine Herausforderung, rigorose digitale Workflows zu entwickeln, um die physische Prototypenentwicklung zu reduzieren und Erkenntnisse aus Daten zu gewinnen. Bestehende physikbasierte Modelle haben oft Schwierigkeiten bei der Parameterkalibrierung, und obwohl Open-Source-Frameworks wie PyBaMM, cideMOD und LIONSIMBA existieren, stehen sie vor spezifischen Einschränkungen. Beispielsweise hat PyBaMM erst kürzlich (Stand 2025) 2D- und 3D-Simulationen ermöglicht und ist für die Kalibrierung und Optimierung typischerweise auf ein externes Paket (PyBOP) angewiesen. Ähnlich unterstützt cideMOD zwar 3D-Simulationen, verfügt jedoch über keine automatische Differentiation, was die Handhabung komplexer nichtlinearer Systeme und der Designoptimierung erschwert. Es besteht ein Bedarf an einem flexiblen Framework, das nativ gekoppelte 3D-elektrochemisch-thermische Simulationen, effiziente Parameterkalibrierung via Adjungiertenmethoden und eine modulare Architektur zur Erweiterung von Modellen unterstützt.

Methodik
BattMo ist ein flexibles Finite-Volumen-Kontinuumsmodellierungs-Framework, das in MATLAB® implementiert wurde (mit Kompatibilitätsbemühungen für Octave). Es nutzt das MATLAB Reservoir Simulation Toolbox (MRST) für Meshing, das Lösen großer nichtlinearer Systeme und die Visualisierung, wobei robuste, niedrigwertige Finite-Volumen-Methoden und eine voll implizite Zeitt discretization verwendet werden.

• Modellarchitektur: Das Framework verwendet ein hierarchisches, graphbasiertes Design. Jedes Modell entspricht einem Rechengraph, wobei Knoten Variablen und gerichtete Kanten funktionale Beziehungen darstellen. Diese Struktur ermöglicht Modularität; die Kopplung von Modellen erfolgt durch die Erstellung eines neuen Kopplungsmodells, das bestehende Modelle als Sub-Graphen enthält, wobei Kanten für Kopplungsmechanismen hinzugefügt werden, während die Sub-Modelle weitgehend unverändert bleiben.
• Input und Interoperabilität: Simulationsinputs, einschließlich Materialparametern und geometrischer Beschreibungen, werden über JSON-Schemas spezifiziert. Dieser Ansatz folgt den Richtlinien der Battery Interface Ontology (BattINFO), um semantische Interoperabilität und FAIR-Prinzipien zu unterstützen.
• Physik und Chemie: Das Kernmodell basiert auf dem Doyle-Fuller-Newman (DFN)-Ansatz. BattMo umfasst vollständig gekoppelte thermische Simulationen und unterstützt verschiedene Degradationsmechanismen, wie etwa das SEI-Schichtwachstum (unter Verwendung von Safari- und Bolay-Modellen) sowie Lithium-Plating. Es verarbeitet zudem Verbundwerkstoffe (z. B. Silizium-Graphit-Mischungen) und Silizium-Quellung.
• Solver und Optimierung: Der Solver nutzt automatische Differentiation zur Unterstützung der Adjungiertenberechnung. Diese Fähigkeit ermöglicht die effiziente Berechnung von Objektivfunktions-Ableitungen in Bezug auf alle Parameter, was Gradientenbasierte Optimierungsroutinen zur Kalibrierung von Modellen gegen experimentelle Daten ermöglicht.
• Geometrie: Das Toolbox unterstützt 1D-, 2D- und 3D-Geometrien, einschließlich parametrisierter Designs für zylindrische, prismatische, Knopfzellen, Jelly-Roll-Zellen und Multi-Pouch-Zellen mit verschiedenen Tab-Layouts.

Wesentliche Beiträge

• Natives 3D und gekoppelte Simulation: Im Gegensatz zu einigen Vorgängern ist BattMo von Grund auf für gekoppelte elektrochemisch-thermische 3D-Simulationen konzipiert, ohne dass externe Pakete für die Kernfunktionalität erforderlich sind.
• Adjungierten-basierte Kalibrierung: Die Integration von automatischer Differentiation und Adjungiertenberechnung bietet eine effiziente Methode zur Kalibrierung komplexer Batteriemodelle aus experimentellen Daten und adressiert damit einen häufigen Engpass in der physikbasierten Modellierung.
• Modularer graphbasierter Design: Der Rechengraph-Ansatz erleichtert die Erweiterung und Kopplung von Modellen, wodurch Forscher die zugrunde liegenden Gleichungen leicht modifizieren und neue Degradations- oder Materialmodelle integrieren können.
• Standardisierter Input: Die Verwendung von JSON-Schemas, die an BattINFO ausgerichtet sind, stellt sicher, dass Modelldefinitionen strukturiert, reproduzierbar und interoperabel sind.
• Ökosystem: Das Paper stellt die „BattMo-Familie“ vor, die die MATLAB-Version, eine Julia-Version (BattMo.jl), einen Python-Wrapper (PyBattMo) und eine Web-Applikation (BattMoApp) umfasst.

Ergebnisse und Fähigkeiten
Das Paper präsentiert BattMo als funktionales Toolbox mit einer Bibliothek parametrisierter Batteriegeometrien und einer Suite dokumentierter Beispiele. Es demonstriert die Fähigkeit zu:

• Verschiedene Batteriechemien (NMC, NCA, LFP, LNMO, SiGr) und Formate (Knopfzelle, Pouch, Zylinder) zu simulieren.
• Designoptimierungen an Geometrie und Parametern durchzuführen.
• Standardisierte Testprotokolle (CC, CV, CCCV) und Zeitreihen-Inputs zu unterstützen.
• Spezifische Phänomene wie SEI-Wachstum, Plating und Silizium-Quellung zu modellieren.
• Die Funktionalität auf andere elektrochemische Systeme auszuweiten, wie etwa alkalische Membran-Elektrolyseure und Protonenkeramik-Membran-Modelle.

Bedeutung und Auswirkungen
Die Autoren positionieren BattMo als Werkzeug für die reproduzierbare Batteriezellenentwicklung in Forschung und Lehre. Seine Bedeutung liegt in der Fähigkeit, sowohl erfahrene Designer bei der Optimierung virtueller Designs als auch Anfänger, die grundlegende Prozesse verstehen wollen, zu unterstützen. Die Software wurde bereits in mehreren kommerziellen und nicht-kommerziellen Projekten eingesetzt, darunter EU-geförderte Initiativen wie HYDRA, BATMAX, IntelLiGent, BIG-MAP und DigiBatt. In diesen Kontexten wurde sie zur Modellierung neuartiger LNMO-Zellen sowie kommerzieller LFP- und NMC-Zellen in sowohl 1D- als auch 3D-Konfigurationen verwendet. Durch die Kombination eines modularen Frameworks mit standardisierten Inputs und fortgeschrittenen Optimierungsmöglichkeiten zielt BattMo darauf ab, die Abhängigkeit von der physischen Prototypenentwicklung zu reduzieren und die Validität sowie Reproduzierbarkeit von Batterieforschungsergebnissen zu erhöhen.