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

이 논문은 PyBaMM 기반의 전기화학 - 열 - 열화 모델을 일관되게 파라미터화하여 리튬 이온 배터리의 SEI 성장, 리튬 플레이팅, 활물질 손실 등 주요 열화 메커니즘을 분석하고, 다양한 온도, C-rate, 충전 상태 및 방전 깊이 조건에서 캘린더 및 사이클 노화가 복합적으로 작용하는 배터리 수명과 열화 모드를 예측하는 프레임워크를 제시합니다.

핵심

🍌 1. 배터리는 왜 빨리 죽을까? (바나나와 원숭이 비유)

상상해 보세요. 배고픈 원숭이들이 바나나 한 무리를 앞에 두고 있습니다.

• 바나나 = 배터리의 용량 (전기를 저장할 수 있는 힘)
• 원숭이들 = 배터리를 망가뜨리는 내부 원인들 (SEI 층 성장, 리튬 도금, 활성 물질 파괴 등)

원숭이들이 바나나를 얼마나 빨리 먹어치우느냐는 단순히 '시간'만으로는 알 수 없습니다.

• 날씨 (온도): 날씨가 덥거나 추우면 원숭이들의 식욕이 달라집니다.
• 배고픔 (충전 상태): 바나나가 얼마나 남아있는지 (배터리 충전량) 에 따라 원숭이들의 행동이 다릅니다.
• 운동량 (충전/방전 속도): 바나나를 얼마나 빠르게 먹으려 하느냐 (충전 속도) 에 따라 배터리의 상태가 달라집니다.

이 논문은 **"어떤 조건에서 어떤 원숭이가 바나나를 얼마나 많이 먹어치우는지"**를 컴퓨터 시뮬레이션으로 아주 정밀하게 예측하는 방법을 개발했습니다.

---

🔬 2. 연구자가 한 일: "가상의 실험실" 만들기

실제로 배터리를 수년 동안 다양한 조건에서 테스트하는 것은 너무 비싸고 시간이 오래 걸립니다. 그래서 연구자는 PyBaMM이라는 강력한 컴퓨터 프로그램 (가상 실험실) 을 사용했습니다.

그들은 LG M50 이라는 실제 배터리 데이터를 바탕으로, 배터리를 구성하는 3 가지 주요 '원숭이 (부식 원인)'를 모델링했습니다.

1. SEI 층 성장 (SEI Growth): 배터리 내부에 생기는 '녹' 같은 막입니다. 너무 두꺼워지면 전기가 통하지 않아 배터리의 힘이 빠집니다. (주로 더운 날씨와 완전 충전 상태에서 활발함)
2. 리튬 도금 (Lithium Plating): 전기가 너무 빨리 흐르거나 추운 날씨에 리튬 이온이 제대로 들어가지 못하고 금속으로 굳어지는 현상입니다. 배터리를 망가뜨리고 위험하게 만듭니다.
3. 활성 물질 손실 (Active Material Loss): 충전과 방전을 반복하면 배터리 내부 입자들이 부풀고 수축하며 갈라지는 현상입니다. (주로 깊은 방전이나 빠른 충전 시 발생)

---

🌡️ 3. 놀라운 발견: 조건에 따라 '죽음'의 방식이 다르다

이 연구는 배터리를 81 가지의 서로 다른 상황 (온도, 충전 속도, 충전량, 방전 깊이 등) 에 놓아보며 시뮬레이션했습니다. 그 결과 놀라운 사실들이 밝혀졌습니다.

① 날씨와 충전 상태의 치명적인 조합

• 더운 날 + 꽉 찬 배터리 (40°C, 100% 충전): 'SEI 층 성장' 원숭이가 가장 활발합니다. 배터리는 2 개월 만에 수명이 80% 이하로 급격히 떨어집니다.
• 추운 날 + 꽉 찬 배터리 (10°C, 100% 충전): '리튬 도금' 원숭이가 출동합니다. 전기가 잘 통하지 않아 배터리가 빨리 죽습니다.
• 선선한 날 + 적당히 남은 배터리 (25°C, 60% 충전): 원숭이들이 가장 조용합니다. 배터리는 최대 14 년까지 버틸 수 있습니다.

② "차이는 1 년이 아니라 14 년"

연구 결과에 따르면, 사용 조건에 따라 배터리의 수명은 0.8 년 (약 10 개월) 에서 14 년까지 천차만별이었습니다. 같은 배터리라도 어떻게 쓰느냐에 따라 수명이 10 배 이상 차이 나는 것입니다.

③ 역설적인 현상 (Calendar vs Cyclic)

가장 흥미로운 점은 **휴식 (Calendar ageing)**과 **사용 (Cyclic ageing)**이 서로 경쟁한다는 것입니다.

• 더운 날 (25°C 이상): 배터리를 조금만 쓰고 (방전 깊이 50%) 하루 종일 쉬게 해도, 쉬는 동안 배터리가 더 많이 망가집니다. (SEI 층이 계속 자라기 때문)
• 추운 날 (10°C): 오히려 더 많이 쓰면 (방전 깊이 90%) 배터리가 더 빨리 망가집니다. (리튬 도금과 내부 갈라짐이 심해지기 때문)

즉, "배터리를 아껴 쓰면 무조건 오래 산다"는 말은 사실이 아닙니다. 조건에 따라 '아껴 쓰는 것'이 오히려 해가 될 수도 있습니다.

---

💡 4. 이 연구가 우리에게 주는 교훈

이 논문은 단순히 배터리를 분석하는 것을 넘어, **미래의 배터리 관리 시스템 (BMS)**에 큰 도움을 줍니다.

• 맞춤형 수명 예측: 당신의 전기차나 스마트폰이 어떤 환경 (추운 겨울, 더운 여름, 급속 충전 등) 에 쓰일지 알면, 배터리의 남은 수명을 훨씬 정확히 알려줄 수 있습니다.
• 안전한 사용법: "이 조건에서는 100% 충전하지 마라"거나 "이 조건에서는 급속 충전을 피하라"는 구체적인 가이드를 줄 수 있습니다.
• 데이터의 보물창고: 연구자는 81 가지 시나리오의 데이터를 모두 공개했습니다. 이는 인공지능이 배터리를 더 똑똑하게 관리하는 데 쓰일 수 있는 귀중한 자료입니다.

🏁 결론

이 연구는 **"배터리 수명은 고정된 것이 아니라, 우리가 어떻게 쓰느냐에 따라 유연하게 변한다"**는 사실을 증명했습니다. 마치 원숭이들이 바나나를 먹는 방식이 날씨와 상황에 따라 달라지듯, 배터리도 사용 패턴에 따라 수명이 결정된다는 것을 과학적으로 밝혀낸 것입니다.

이제 우리는 배터리를 단순히 '소모품'이 아니라, 조건에 따라 반응하는 살아있는 시스템으로 이해하게 되었습니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

리튬이온 배터리 (LIB) 의 수명 예측은 배터리의 내부에서 발생하는 복잡한 분해 메커니즘들 간의 상호작용을 이해하는 데서 비롯된 어려움으로 인해 큰 도전 과제입니다.

• 복잡한 상호작용: 고체 전해질 계면 (SEI) 성장, 리튬 플레이팅 (Lithium plating), 활성 물질 손실 (LAM) 과 같은 분해 메커니즘들은 서로 밀접하게 연결되어 있으며, 사용 조건 (C-rate, 휴식 상태 충전량 (SoC), 방전 깊이 (DoD), 온도) 에 따라 그 상호작용이 변화합니다.
• 실험적 한계: 다양한 사용 조건과 설계 변수를 모두 고려한 실험을 수행하는 것은 시간과 비용 측면에서 비현실적입니다.
• 모델링의 부재: 기존 연구들은 단일 노화 모드나 특정 조건에 국한된 경우가 많았으며, 캘린더 노화 (시간에 따른 노화) 와 사이클 노화 (충방전 노화) 가 동시에 발생하는 복합 조건 하에서 일관된 파라미터화를 통해 분해 메커니즘을 정량화하고 수명을 예측한 연구는 부족했습니다.

2. 방법론 (Methodology)

이 연구는 물리 기반 (Physics-based) 모델을 사용하여 리튬이온 배터리의 수명을 예측하는 프레임워크를 제시합니다.

• 모델 구조:

  • DFN (Doyle-Fuller-Newman) 모델: 전기화학적 거동을 설명하는 기본 모델로 사용되었습니다.
  • 열적 모델 (Lumped Thermal Model): 셀 내부의 온도 변화를 고려하여 열 생성 및 방출을 시뮬레이션했습니다.
  • 분해 메커니즘 통합:
    1. SEI 성장: 음극에서의 SEI 층 두께 증가 및 용매 확산 제한 반응.
    2. 리튬 플레이팅: 음극에서의 비가역적 리튬 금속 침착 (Butler-Volmer 동역학 적용).
    3. 활성 물질 손실 (LAM): 입자 내 농도 구배로 인한 기계적 응력으로 인한 활성 물질 부피 분율 감소.
  • 소프트웨어: 오픈소스 라이브러리인 PyBaMM을 사용하여 시뮬레이션을 수행했습니다.

• 파라미터화 전략 (Consistent Parameterisation):

  • 대상 셀: LG M50 (NMC811 양극, Graphite/Si 복합 음극) 셀.
  • 데이터 기반 튜닝: Kirkaldy 등 [53] 의 실험적 분해 모드 분석 (DMA) 데이터를 기반으로 파라미터를 조정했습니다.
    • 고온 (40°C): SEI 성장에 의한 용량 손실이 지배적.
    • 상온 (25°C): SEI 성장과 경미한 활성 물질 손실 (LAM) 의 혼합.
    • 저온 (10°C): 리튬 플레이팅 (LLI) 과 음극의 심한 LAM 이 지배적.
  • 검증: 표준 사이클링 조건 (25°C, 0.33C) 에서 500 사이클 후 SoH 80% 도달을 목표로 파라미터를 보정했습니다.

• 시뮬레이션 조건:

  • 캘린더 노화: 온도 (10, 25, 40°C) 와 휴식 SoC (10, 60, 100%) 의 9 가지 조합.
  • 복합 노화 (Calendar + Cyclic): 온도, C-rate (0.1, 0.3, 1.0C), 휴식 SoC (10, 60, 100%), DoD (50, 70, 90%) 를 조합한 총 81 가지 시나리오 (하루 1 사이클 가정).

3. 주요 기여 (Key Contributions)

1. 일관된 파라미터화 프레임워크: 다양한 온도 및 사용 조건에서 분해 메커니즘 (SEI, 플레이팅, LAM) 간의 경쟁적 효과를 일관되게 설명할 수 있는 파라미터화 전략을 제시했습니다.
2. 포괄적인 시나리오 예측: 단일 조건이 아닌 81 가지의 다양한 사용 조건 조합에 대한 용량 감소 궤적과 내부 분해 메커니즘 기여도를 예측했습니다.
3. 경쟁적 노화 효과 규명: 캘린더 노화와 사이클 노화가 복합적으로 작용할 때, 사용 조건에 따라 어느 메커니즘이 우세해지는지 (예: 고온에서는 SEI, 저온에서는 LAM/플레이팅) 를 정량적으로 분석했습니다.
4. 데이터 공개: 81 가지 시나리오에 대한 SoH 및 내부 분해 모드 데이터를 공개하여 물리 기반 데이터 중심 모델 (Physics-informed data-driven models) 학습에 활용할 수 있도록 했습니다.

4. 주요 결과 (Results)

• 수명 예측 범위:

  • SoH 75% 도달까지의 사이클 수명은 사용 조건에 따라 0.8 년에서 14 년까지 광범위하게 변화했습니다.
  • 용량 감소 궤적은 사용 조건에 따라 서브-선형 (Sub-linear), 선형 (Linear), 슈퍼-선형/가속화 (Super-linear/Accelerated, 'Knee' 현상) 로 나타났습니다.

• 캘린더 노화 특성:

  • 온도가 높을수록, 휴식 SoC 가 높을수록 노화가 가속화되었습니다.
  • 특히 40°C/100% SoC 조건에서는 2 개월 만에 SoH 80% 이하로 급격히 감소했으나, 10°C/30% SoC 조건에서는 12 개월 후에도 93% SoH 를 유지했습니다.

• 복합 노화에서의 경쟁적 효과 (Competing Effects):

  • 온도와 DoD 의 역설적 관계:
    • 25°C 및 40°C: DoD 50% 조건이 DoD 90% 조건보다 수명이 짧았습니다. 이는 50% DoD 사이클이 더 짧아 휴식 시간이 길어지고, 이 긴 휴식 시간 동안 캘린더 노화 (SEI 성장) 가 우세하게 작용했기 때문입니다.
    • 10°C: DoD 90% 조건이 DoD 50% 조건보다 수명이 짧았습니다. 저온에서는 캘린더 노화 효과가 미미하고, 사이클 노화 (높은 DoD 로 인한 LAM 및 리튬 플레이팅) 가 지배적이기 때문입니다.
  • SoC 및 C-rate 의 영향: 휴식 SoC 를 낮추거나 (10%), C-rate 를 높이는 조건에서 캘린더 노화 효과가 감소하여 수명이 연장되는 경향을 보였습니다.

• 분해 메커니즘 기여도:

  • 고온에서는 SEI 성장에 의한 리튬 손실 (LLI) 이 주된 원인.
  • 저온에서는 리튬 플레이팅과 음극의 기계적 응력으로 인한 활성 물질 손실 (LAM) 이 주된 원인.

5. 의의 및 결론 (Significance)

• 모델의 신뢰성 향상: 단일 실험 데이터에 맞춰진 모델이 다른 사용 조건에서도 일관된 예측을 할 수 있음을 입증하여, 물리 기반 모델의 실용성을 높였습니다.
• BMS 및 시스템 통합: 배터리 관리 시스템 (BMS) 이 다양한 운전 조건에서 SoH 와 잔여 수명 (RUL) 을 더 정확하게 추정할 수 있는 이론적 근거를 제공합니다.
• 설계 최적화: 특정 사용 환경 (예: 고온/저온, 고/저 C-rate) 에 최적화된 배터리 셀 설계 및 운영 전략 수립에 기여합니다.
• 미래 연구 방향: 이 연구에서 생성된 대규모 시뮬레이션 데이터는 향후 물리 기반 데이터 중심 모델 (Physics-informed ML) 의 학습 데이터로 활용되어, 실험 데이터의 부족을 보완하고 더 정확한 수명 예측 알고리즘 개발에 기여할 것으로 기대됩니다.

이 논문은 리튬이온 배터리의 복잡한 노화 메커니즘을 통합적으로 이해하고, 다양한 실제 사용 시나리오에 맞춰 정밀하게 수명을 예측할 수 있는 강력한 도구로서의 물리 기반 모델링의 중요성을 강조합니다.