A Coupled Battery Production and Life Cycle Inventory (LCI) Model

Abstract

I et forsøk på å overkomme de stadig mer uunngåelige utfordringene som følge av klimaforandringene, må den globale transportsektoren gjennomgå store endringer de neste tiårene. Elektrifisering av kjøretøy blir sett på som en essensiell del av løsningen, hvor batteriteknologi spiller en sentral rolle i overgangen til en mer bærekraftig transportsektor. Ved hjelp av en ambisiøs politikk og teknologiske fremskritt har antallet elektriske kjøretøy på veiene økt betraktelig i løpet av det siste tiåret, og er forventet å øke i et enda raskere tempo over det neste tiåret. Denne utviklingen krever en økning av batteriproduksjonskapasiteten, og et fokus på energiforbruk og utslipp fra produksjonsprosessen.

For å unngå å en problemforskyvning og for å fatte robuste vedtak for utviklingen og forbedringen av produksjonsprosesser, må man ha et livssyklusperspektiv, i tillegg til detaljnivået og usikkerhets- og endringshåndteringen man kan få ved å introdusere engineering-modeller. Målet med denne oppgaven er derfor å kombinere forskningsstrømmene i livssyklusanalyse og prosessmodellering til en sammenkoblet produksjons- og livssyklusinventarmodell. Utviklingen, herunder programmeringen, av den sammenkoblede modellen, utgjør den største delen av dette masterprosjektet.

Den sammenkoblede modellen består av et Python (3.9.2)-basert grensesnitt, som kobler sammen en livssyklusmodell med en Python (3.7)-basert celleproduksjonsmodell. En generalisert og fleksibel batteriproduksjons-prosessmodell utviklet av Jinasena et al. (2021) har blitt koblet sammen med livssyklusinventaret fra Ellingsen et al. (2014) for material- og energiforbruket for å produsere litium-ion-batteri. Den sammenkoblede modellen kan delvis automatisk inkorporere produksjonsinformasjonen for batteriproduksjonen i livssyklusinventaret, basert på forskjellige kriterier.

Python-grensesnittet eliminerer dermed brukerens behov for å bruke Microsoft Excel og for å strukturere livssyklusinventaret, og gjør at man kan kjøre flere ulike scenarioer mye mer strømlinjeformet. Denne fremgangsmåten har muligheten til å vesentlig redusere både arbeidsmengden og tidsbruken som er nødvendig for å gå fra å ha data på energi- og materialforbruk for batteriproduksjonen, til å ha en ferdig livssyklusanalyse. I tillegg kan programmets fleksibilitet gjøre at man kan tilpasse og bruke livssyklusanalyse for andre produkt og tjenester.

In order to meet the ever more inevitable challenges of climate change, the global transportation sector will need to undergo great changes in the following decades. Electrification of road vehicles is seen as an essential part of the solution, with battery technology being a key enabler of the shift towards a more sustainable transport sector. Following ambitious mitigation policies and technological advancements, the number of electrical vehicles on the road has grown rapidly over the last decade and is predicted to accelerate its steep growth over the next decade. This development requires an increasement of battery production capacity and a focus on the energy usage and emissions from the manufacturing process.

To avoid problem-shifting and to foster robust decisions on how production processes can be designed and improved, a life cycle perspective is needed, as well as the resolution, uncertainty and variance management that engineering models can bring to the table. The aim of this thesis is thus to combine the research strands of Life Cycle Assessment (LCA) and process modeling into a coupled battery production and Life Cycle Inventory (LCI) model. The development, hereunder programming, of this coupled model make up the largest part of the thesis work.

The coupled model consists of a Python (3.9.2) based interface which connects an LCA model with a Python (3.7) based cell production model. A generalized and flexible battery production process model developed by Jinasena et al. (2021) has been coupled with the LCI of Ellingsen et al. (2014) for the materials and energy use for lithium-ion battery (LiB) manufacturing. The resulting coupled model can semi-automatically incorporate the production information of battery production into the LCI for various input requirements.

The Python interface thus eliminates the user’s need to use Microsoft Excel to structure the LCI, and allows the possibility of running multiple scenarios in a much more streamlined way. This approach has the potential to significantly reduce both the workload and time required to go from battery production data on energy and material consumption to a complete LCA. In addition, the flexibility of the program would allow the LCA to be adjusted and applied for several other products and services.