Engineering problems, such as fire and explosion caused by mechanical damage, have restricted the further development of lithium-ion batteries (LIBs). The paper aims to present an effective method for studying the impact responses of cylindrical LIBs under localized impact loadings. An impact model in which the cell is simplified to a beam is developed considering the interaction between bending and stretching. The membrane factor (fn) of the beam with a circular cross-section is introduced, and then the motion control equations for the cell with large deformation are derived. The accuracy of the theoretical method is verified based on the results from the mass block impact experiment and finite element simulation. A method for cell failure detection is established based on the force-displacement-voltage response from the impact experiment. It is shown that higher impact velocities and smaller punch widths increase cell deformation. Moreover, a larger punch mass results in greater displacement when the impact energy remains unchanged, and the strengthening tendency increases with the punch width. The research will provide theoretical guidance for the safety assessment and dynamic optimization design of LIBs.

To understand the crashworthiness safety of lithium-ion battery (LIB) comprehensively, acoustic emission (AE) testing technology is introduced to explore the mechanical response and failure mechanism. In this paper, the compression process and failure behavior of 18650 LIBs under plane compression, local indentation and three-point bending are experimentally investigated. The effects of indenter diameter, state of charge (SOC) and capacity of the battery on the force-voltage-temperature responses are discussed in detail. The relation between the failure behavior and acoustic response of LIB is studied in combination with AE detection technique. The results show that the deformation of the battery can be divided into three stages before the failure, including the stress on the shell, compression on the internal gap and electrolyte, and stress on the whole. The failure inside the battery is caused by fold, shear fracture, local buckling and tensile break under different loading forms. The smaller the diameter of the indenter is, the lower bearing capacity at the point of failure is. High-SOC batteries experience higher forces and displacements at the failure point. High-capacity batteries have poor bearing capacity and are more prone to thermal runaway. AE signal can be detected at special points during the compression. Combined with the acoustic response of the battery, the whole deformation process is divided into five stages. The researches will provide a guidance for the failure detection and safety evaluation of LIBs.

Abstract Mechanical failure prediction of lithium-ion batteries (LIBs) can provide important maintenance information and decision-making reference in battery safety management. However, the complexity of the internal structure of batteries poses challenges to the generalizability and prediction accuracy of traditional mechanical models. In view of these challenges, emerging data-driven methods provide new ideas for failure prediction of LIBs. This study is based on experimental data-driven application of machine learning (ML) models to rapidly predict the mechanical behavior and failure of cylindrical cell under different loading conditions. Mechanical abuse experiments including local indentation, flat compression, and three-point bending experiments were conducted on cylindrical LIB samples, and mechanical failure datasets for cylindrical cells were generated, including displacements, voltages, temperatures, and mechanical forces. Six ML models were used to predict the mechanical behavior of cylindrical batteries, and four metrics were used to evaluate the prediction performance, and the coefficients of determination of Extreme Gradient Boosting (XGBoost) Regression and Random Forest were 0.999, and the root-mean-square errors (RMSE) were lower than 0.015. It is shown that the integrated tree models tested in this study are suitable for the failure prediction of LIBs under the conditions of mechanical abuse. Also, Random Forest prediction model outperforms other ML prediction models with the smallest RMSE values of 0.005, 0.0149, and 0.007 for local indentation, flat compression, and three-point bending, respectively. This work highlights the capability of ML algorithms for LIB safety prediction.

Corona effect is a critical factor in the design and construction of ultrahigh-voltage (UHV) transmission lines, since it can cause ionic wind, which induces destructive instability, such as conductor vibration and rotation. Here, we develop a 2-D unipolar ion discharge model by using electrohydrodynamic (EHD) methods coupled with Navier–Stokes (N–S) equations. The effects of conductor cross-sectional geometry and voltage levels on the distribution of electric field, characteristics of ionic wind, and distribution of EHD force during the corona discharge have been studied. It is shown that both the cross-sectional geometry and voltage level have significant influence on the aerodynamic characteristics of the conductor. A higher corona inception field strength can be produced when the conductor geometry is closer to a cylindrical shape. As the number of strands in the conductor is increased, the cross-sectional geometries become more complex, leading to greater electric field distortion, which assists the ionic wind effect and maximum composite velocity. Higher voltage levels inhibit the ionic wind speed, resulting in a reduced maximum composite velocity. Moreover, the increases in the number of conductor strands and voltage levels can enhance the EHD force, inducing the fluctuations in ionic wind velocity around the conductors. Our results provide insights into ionic wind generation from corona discharges in transmission lines and offer theoretical guidance for mitigating the corona-induced vibrations.