Linking Calendar and Cycle Ageing in Lithium-Ion Batteries through Consistent Parameterisation of an Electrochemical-Thermal-Degradation Model

この論文は、PyBaMM を用いた電解熱劣化モデルの整合的なパラメータ化により、リチウムイオン電池の SEI 成長、リチウム析出、活物質損失などの劣化モードを連関させ、多様な使用条件下におけるカレンダー劣化とサイクル劣化の競合メカニズムを解明し、健康状態や残存寿命を高精度に予測する枠組みを提示したものである。

要約

🍌 電池劣化の「猿の物語」

この論文の冒頭には、面白い例え話が出てきます。
「お腹を空かせた猿の群れに、バナナ（電池の容量）を渡したとしましょう。1 時間後、バナナはどれだけ残っているでしょうか？どの猿がどれだけ食べたでしょうか？」

• バナナ（容量） ＝ 電池の充電量
• 猿たち（劣化メカニズム） ＝ 電池を壊す 3 つの「悪者」
  1. SEI 膜（セーイ膜）の成長：電池の表面にできる「錆び」のような膜。
  2. リチウムめっき：電気が溜まりすぎて、金属の「リチウム」が結晶化して固まってしまうこと。
  3. 活物質の損失：電池の内部構造が、繰り返し使うことで「割れて」壊れてしまうこと。

この研究は、**「どの猿が、どんな状況（天気や食事の量）で、バナナを一番多く食べるのか」**を、コンピュータ上で再現し、予測しようとしたものです。

🔍 この研究がやったこと（3 つのポイント）

1. 「猿たち」の性格を正確に設定した（パラメータの調整）

これまでの研究では、電池の劣化を予測するモデルが、ある条件では正しくても、別の条件（寒い日や暑い日など）では的外れになることがありました。
この研究では、**「実際の電池実験データ」**を元に、3 つの「猿（劣化メカニズム）」の性格を正確に設定しました。

• 暑い日（40℃）：「SEI 膜（錆び）」が暴れ出して、バナナを大量に食べる。
• 寒い日（10℃）：「リチウムめっき（金属の固まり）」が暴れ出し、バナナを大量に食べる。
• 普通の天気（25℃）：両方がバランスよく食べる。

このように、天気（温度）や電池の残り具合（充電量）によって、どの「猿」が主役になるかを正確に計算できるようにしました。

2. 「1 日 1 回」の生活パターンで 81 通りの未来を予測した

電気自動車（EV）のバッテリーは、毎日同じように使われるわけではありません。

• 夏に、急な加速（大きな電流）で、満タンのまま放置する。
• 冬に、ゆっくり（小さな電流）で、半分の充電量で使う。

この研究では、**「温度」「充電量」「放電の深さ」「電流の大きさ」を組み合わせて、81 通りの異なる生活パターンをシミュレーションしました。
その結果、電池が寿命（75% の性能まで落ちるまで）を迎えるまでの時間は、「0.8 年（約 10 ヶ月）」から「14 年」**まで、条件によって大きく変わることを発見しました。

3. 「カレンダー劣化」と「サイクル劣化」の戦い

電池の劣化には 2 つのタイプがあります。

• カレンダー劣化：使っていなくても、時間とともに自然に劣化する（寝ている間に猿がバナナを盗む）。
• サイクル劣化：充電・放電を繰り返すことで劣化する（猿がバナナを食べている）。

この研究で面白いのは、「使っている時間」と「寝ている時間」のバランスによって、劣化の速さが逆転することがわかった点です。

• 例：「50% だけ使う（短い時間）」場合と「90% 使う（長い時間）」場合。
  • 暑い日（25℃〜40℃）では、「50% だけ使う」方が、実は劣化が早いことがわかりました。
  • 理由：使う時間が短い分、「寝ている時間（充電満タンで放置）」が長くなるからです。暑い日に満タンで寝ていると、寝ている間に「SEI 膜（錆び）」が猛烈に成長して、バナナを大量に盗んでしまうのです。
  • 逆に寒い日（10℃）では、寝ている間の劣化は少なく、「90% 使う（長い時間）」方が、使うことによる劣化が勝って早くなります。

💡 私たちにとっての教訓

この研究から、電池を長く使うためのヒントが得られます。

1. 「満タン」で「暑い場所」に放置するのは NG
   使っていなくても、高温で満タンにしておくと、電池は「寝ている間」に急激に劣化します。
2. 条件によって「正解」は違う
   「常に 50% で使うのが良い」という単純なルールはありません。寒い日か暑い日か、急いでいるかゆっくりかによって、電池へのダメージの与え方が全く異なります。
3. 未来を予測する「水晶玉」
   この研究で作られたシミュレーションデータは、今後の電池管理システム（BMS）や、新しい電池の設計に役立ちます。「この使い方をすれば、あと何年使える」という正確な予測が可能になるかもしれません。

まとめ

この論文は、**「電池という複雑な生き物が、どんな環境でどんな『悪者（劣化メカニズム）』に襲われるか」**を、81 通りのシナリオで詳しく描き出した地図のようなものです。

これにより、私たちが電気自動車やスマホを使う際、**「いつ、どう使えば電池を一番長く生き延びさせられるか」**を、科学的に理解できるようになりました。

技術概要

この論文「Linking Calendar and Cycle Ageing in Lithium-Ion Batteries through Consistent Parameterisation of an Electrochemical–Thermal–Degradation Model（リチウムイオン電池の暦経年劣化とサイクル劣化を、電化学・熱・劣化モデルの一貫したパラメータ化を通じて連結する）」の技術的な要約を以下に示します。

1. 背景と課題 (Problem)

リチウムイオン電池（LIB）の残存寿命（RUL）や健全度（SoH）を正確に予測することは、電気自動車（EV）やエネルギー貯蔵システムにおける安全性、信頼性、ユーザー体験の向上に不可欠です。しかし、以下の理由からこの予測は極めて困難です。

• 複雑な劣化メカニズムの相互作用: 固体電解質界面（SEI）膜の成長、リチウム析出（Plating）、活性物質の損失（LAM）など、複数の劣化メカニズムが相互に作用し合っています。
• 使用条件への依存性: これらのメカニズムの相互作用は、C レート、休止時の充電状態（SoC）、放電深度（DoD）、温度などの使用条件によって大きく変化します。
• 実験的アプローチの限界: 多様な使用条件の組み合わせを網羅的に実験で検証することは、時間とコストの面で非現実的です。
• 既存モデルの課題: 多くの既存研究は特定の条件下でのみ検証されており、異なる使用条件間での劣化挙動を一貫して記述・予測できる物理ベースモデルは不足しています。

2. 手法 (Methodology)

本研究では、PyBaMM（Python Battery Mathematical Modelling）ライブラリを用いて、以下のアプローチでモデルを構築・検証しました。

• モデルの構築:
  • ドイル・フラー・ニューマン（DFN）モデル（P2D モデル）を基盤とし、熱モデル（集中熱モデル）と劣化メカニズムを結合した「電化学・熱・劣化モデル」を開発しました。
  • 対象セル：LG M50（NMC811 正極、グラファイト/Si 複合負極）。
  • 考慮した劣化メカニズム：
    1. 負極での SEI 膜成長（拡散・反応混合律速）。
    2. 負極での不可逆的なリチウム析出（Butler-Volmer 動力学）。
    3. 両極での機械的応力による活性物質の損失（LAM）。
• パラメータ化戦略（一貫性の確保）:
  • 単一の条件だけでなく、温度依存性を考慮したパラメータ調整を行いました。
  • 文献（Kirkaldy et al.）で報告された LG M50 の実験データ（劣化モード分析：DMA）に基づき、以下の条件でパラメータを調整しました。
    • 高温（40°C）: SEI 成長が支配的。
    • 常温（25°C）: SEI 成長と軽度の活性物質損失が支配的。
    • 低温（10°C）: リチウム析出と活性物質損失（LAM）が支配的。
  • これにより、異なる温度や使用条件下でも劣化挙動を物理的に整合性を持って再現できるようにしました。
• シミュレーション条件:
  • 暦経年劣化（Calendar Ageing）: 温度（10, 25, 40°C）と休止 SoC（10, 60, 100%）の 9 組み合わせ、12 ヶ月間。
  • 複合劣化（Combined Ageing）: 1 日 1 サイクルの充電・放電（C レート 0.1, 0.3, 1.0 C；DoD 50, 70, 90%）を行い、残りの時間を指定 SoC で休止させるシミュレーション。
  • 総計 81 通りの使用条件組み合わせ（温度×C レート×休止 SoC×DoD）でシミュレーションを実施しました。

3. 主要な貢献と結果 (Key Contributions & Results)

A. 劣化挙動の多様性の解明

使用条件によって、容量低下の軌跡が以下のように変化することを示しました。

• サブリニア（Sub-linear）: 穏やかな使用条件での劣化。
• リニア（Linear）: 中程度の条件での劣化。
• スーパーリニア/加速型（Super-linear/Knee-type）: 過酷な条件（特に低温高レートや高温高 SoC）での急激な劣化（膝曲がり現象）。
• 寿命予測: 75% SoH 到達までのサイクル寿命は、条件により0.8 年から 14 年の広い範囲で変動することが予測されました。

B. 暦経年劣化とサイクル劣化の競合効果（Competing Effects）

本研究の最も重要な発見の一つは、使用条件によって「暦経年劣化」と「サイクル劣化」のどちらが支配的かが逆転することです。

• 高温・高 SoC 環境（25°C, 40°C）:
  • 休止中の SEI 成長（暦経年劣化）が支配的。
  • 例：DoD 50% の場合、充電時間が短く休止時間が長くなるため、DoD 90% の場合よりも劣化が速くなるという直感に反する結果が得られました（休止中の SEI 成長が累積するため）。
• 低温環境（10°C）:
  • リチウム析出と機械的応力による LAM（サイクル劣化）が支配的。
  • 休止中の劣化は最小限であるため、DoD 90% の方が DoD 50% よりも劣化が速くなります。
• C レートと SoC の影響:
  • 高 C レート（1C）かつ低 SoC（10%）では、高温（40°C）でも暦経年劣化が抑制され、寿命が大幅に延びる（10〜14 年）ことが示されました。これは高温でも粒子内のリチウム拡散が促進され、析出が抑制されるためです。

C. 劣化モード分析（DMA）によるメカニズムの定量化

シミュレーションにより、各条件における容量損失の寄与（SEI 損失、リチウム析出、活性物質損失）を定量的に分解しました。

• 高温では SEI 損失が総容量損失の大部分を占める。
• 低温ではリチウム析出と負極の LAM が支配的。
• 負極の LAM は正極よりも常に顕著に大きい。

4. 意義と今後の展望 (Significance)

• 物理ベースモデルの優位性: 経験則やデータ駆動型モデルでは捉えきれない、複雑な使用条件間の相互作用を、物理法則に基づいて一貫して説明・予測できることを実証しました。
• 設計と管理への応用: バッテリー管理システム（BMS）の高度化、セル設計の最適化（寿命延伸）、およびシステム統合におけるリスク評価に寄与します。
• データ公開: 81 通りの使用条件、9 通りの暦経年条件、3 通りの標準サイクル条件における SoH と内部劣化モードのシミュレーションデータを公開しました。これらは、物理情報に基づくデータ駆動モデル（Physics-informed ML）のトレーニングデータとして活用可能です。
• 今後の課題: 本研究は定性的な傾向の一致を確認した段階であり、今後はより広範な実験データを用いた定量的な検証（バリデーション）を行うことが計画されています。

結論

この論文は、リチウムイオン電池の劣化を単一のメカニズムや条件で捉えるのではなく、温度、SoC、C レート、DoD の複雑な組み合わせ下で、複数の劣化メカニズムがどのように競合・相互作用するかを、一貫性のあるパラメータ化された物理モデルによって解明した画期的な研究です。特に、「使用条件によって劣化の支配要因が逆転する」という知見は、電池寿命予測の精度向上に大きく寄与するものです。