Das Projektvorhaben SWELL befasst sich mit der Entwicklung und Evaluierung effizienter Verfahren zur Steigerung der Recyclingeffizienz von Lithium-Ionen-Batterien. Im Fokus des Projektes stehen die Elektrolyte, bestehend aus Lithiumsalzen, Lösungsmitteln und Elektrolytadditiven. Bereits etablierte Recyclingprozesse fokussieren sich überwiegend auf die Rückgewinnung der in LIBs befindlichen Metalle, wohingegen die nichtmetallischen Komponenten zum großen Teil nicht wieder dem Verwertungskreislauf zugeführt werden. Die Elektrolyte gehen in bisherigen Prozessen größtenteils in Form von thermischer Verwertung oder Downcycling verloren. Die Elektrolytkomponenten weisen einen signifikanten Materialwert auf und enthalten zudem kritische, umweltrelevante Ressourcen, wie Lithium, Fluor und Phosphor. Ihre Rückgewinnung und effiziente Aufarbeitung mit dem Ziel einer (direkten) Wiederverwendung in LIBs, ist daher von großem Interesse und kann zur signifikanten Steigerung der Nachhaltigkeit der Batteriezellfertigung führen. Gesamtziel des Projektes ist es Verfahren zu entwickeln, in denen Elektrolytbestandteile selektiv extrahiert, getrennt und anschließend aufgearbeitet werden, um diese in den Stoffkreislauf zu reintegrieren. Hauptaugenmerk liegt hierbei auf den Elektrolytlösungsmitteln (Carbonate, wie DMC, EMC EC) und dem Lithiumsalz LiPF6 sowie dessen Zersetzungsprodukte.
Das Verbundprojekt BattLifeBoost hat das Ziel, die Zustandsschätzung und die damit verbundene Lebensdauerabschätzung von Batteriesystemen zu verbessern. Durch die Nutzung langjähriger Felddaten von Heimspeichern und Labordaten aus Zellalterungsstudien der Projektpartner wird ein hybrides Modell entwickelt. Dieses kombiniert 'Machine-Learning' und mechanistische Modelle, um präzisere 'State-of-Health' Prognose zu erzielen. In diesem Teilprojekt werden Methoden entwickelt zur datengetriebenen physikochemischen Alterungsmodellierung, um die Lebensdauerabschätzung von Lithium-Ionen basierten Batteriespeichersystemen zu verbessern. Dabei werden Labordaten zusammen mit Felddaten von realen Systemen kombiniert, um ein datengetriebenes physikochemisches Alterungsmodell zu entwickeln. Im Vergleich zum Stand der Technik zur Alterungsmodellierung verspricht dieser hybride Ansatz eine bessere Extrapolationsfähigkeit für Betriebsbedingungen, die nicht im Trainingsdatensatz enthalten sind.