• 
  Osenberg, Markus: Multidimensionale Bildgebung und Analysen von Batteriematerialien. , Dissertation Technische Universität Berlin, 2023

Open Access Version

Abstract:
Für eine umfangreiche Analyse eines komplexen Probensystems wie einer Batterie ist es notwendig, verschiedene bildgebende Messmethoden zu kombinieren. Dafür werden Synchrotron- und FIB Tomographien, großflächige REM-Analysen und in dieser Form einzigartige XANES-Radiographien an Nickel-Mangan-Kobalt Kathoden präsentiert. Die Bildgebung ist dabei ein vielseitiges Werkzeug zur Analyse von Materialien und Prozessen. Sie ist dabei nicht auf Oberflächen beschränkt. Durch die geeignete Wahl der Sensorik und der Probenmanipulation werden tiefe Einblicke, wie der Korrelation zwischen Batterieherstellungsparametern und erzeugten Materialstrukturen sowie darin im Betrieb ablaufender Prozesse wie der Delithiierung ermöglicht. Dabei werden neben den verfahrensabhängigen Möglichkeiten auch die Grenzen der Messmethoden beschrieben. Neben der Bildgebung spielt auch die Bildinterpretation für eine umfangreiche Analyse eine entscheidende Rolle. Es wird gezeigt, wie durch die Verwendung von Methoden des maschinellen Lernens bei der Bildauswertung Klassifizierungsfehler um eine Größenordnung reduziert und die Analyse von stark verrauschten Bilddaten überhaupt erst möglich gemacht werden kann. A comprehensive analysis of a complex sample system like a battery needs a combination of different imaging measurement methods. Synchrotron and FIB tomographies, large area SEM analyses and XANES radiographies, unique in this form, on nickel-manganese-cobalt cathodes, are presented in this work. Imaging is a versatile tool for the analysis of materials and processes and in this context, it is not limited to surfaces. The appropriate choice of sensor technology and sample manipulation allows for deep insights such as the correlation of battery fabrication parameters and generated material structures as well as in operando processes such as delithiation. In addition to the process-dependent possibilities, the limitations of the measurement methods are also shown. Besides imaging, image interpretation is a crucial factor for comprehensive analysis. This work shows how the use of machine learning methods in image interpretation can reduce classification errors by an order of magnitude and make the analysis of highly noisy image data possible in the first place.