High-Throughput Bayesian Optimization of Cement-Salt Hydrates Composites for Seasonal Thermochemical Energy Storage

본 논문은 고처리량 베이지안 최적화 프레임워크가 계절성 열화학적 에너지 저장을 위한 비용 효율적인 시멘트-염화수화물 복합재의 발견을 효과적으로 가속화하여, 기존 시멘트 기반 재료에 비해 비에너지 및 비용-성능 균형을 크게 개선하는 파레토 최적 배합을 식별함을 보여준다.

핵심

완벽한 케이크를 굽으려 한다고 상상해 보세요. 하지만 밀가루와 설탕 대신 시멘트와 특수 염을 혼합하여 여름에는 열을 "먹고" 겨울에는 그 열을 "토해내는" 재료를 만드는 것입니다. 이를 계절성 열화학적 에너지 저장이라고 합니다. 이는 7 월의 화창한 날에 수집된 열을 이용해 겨울 내내 집을 따뜻하게 유지할 수 있는 "열 배터리"와 같습니다.

문제점은 무엇일까요? 이 재료들을 혼합하는 방법은 수천 가지가 있습니다. 다양한 종류의 염, 서로 다른 양의 물, 서로 다른 양의 시멘트, 그리고 다양한 첨가제가 존재합니다. 추측과 확인 (옛날의 "시행착오" 방법) 을 통해 완벽한 레시피를 찾으려 한다면 수년이 걸리고 천문학적 비용이 들 것입니다.

이 논문은 **베이지안 최적화 (Bayesian Optimization, BO)**라는 "디지털 셰프"를 사용하여 최고의 레시피를 찾는 더 지적인 방법을 설명합니다.

디지털 셰프 (베이지안 최적화)

BO 시스템을 배우는 것을 좋아하는 초지능적이고 지치지 않는 조수라고 생각하세요.

1. 추측 게임: 모든 가능한 조합을 테스트하는 것 (전 세계의 모든 케이크를 맛보는 것과 같음) 대신, 조수는 먼저 몇 가지 유망한 레시피를 선택하여 테스트합니다.
2. 맛보기 테스트: 팀은 실제로 이 소량의 시멘트 - 염 페이스트를 혼합하고, 구운 후 열 저장 능력을 테스트합니다.
3. 학습 루프: 조수는 결과를 살펴봅니다. "아, 염분이 너무 많으면 케이크가 흐물거려요 (녹아요). 물이 너무 적으면 부서지기 쉽죠. 하지만 이 특정 염화칼슘과 시멘트 혼합물은 정말 잘 작동했어요!"
4. 다음 이동: 배운 내용을 바탕으로 조수는 즉시 테스트할 다음 최고의 재료 조합을 제안합니다. 이는 승자를 추측하는 능력을 점점 더 향상시키며, 나쁜 레시피는 완전히 건너뜁니다.

두 가지 목표: 성능 대 가격

팀은 가장 빠르고 가장 저렴한 차를 사려는 것과 같은 두 가지 상충되는 목표를 가지고 있었습니다.

• 목표 1: 최대 에너지 (빠른 차): 이 재료가 킬로그램당 얼마나 많은 열을 저장할 수 있는가?
• 목표 2: 최소 비용 (저렴한 차): 저장된 에너지 단위당 이 재료를 만드는 데 드는 비용은 얼마인가?

보통 최고의 에너지 저장 재료는 매우 비싸고, 저렴한 재료는 열을 많이 저장하지 못합니다. 팀은 두 가지 사이의 가장 좋은 균형인 "골디락스" 구역을 찾고자 했습니다.

발견: 새로운 재료

연구자들은 다양한 염을 테스트했습니다. 이미 마그네슘 황산염과 같은 일부 재료를 알고 있었지만, 디지털 셰프를 사용하여 시멘트에서 한 번도 시도해 본 적이 없는 재료를 탐구했습니다: 염화리튬 (LiCl), 염화칼슘 (CaCl2), 그리고 **질산아연 (Zn(NO3)2)**입니다.

그들이 발견한 바는 다음과 같습니다.

• 파워하우스 (LiCl): 염화리튬 혼합물은 그룹 내의 "페라리"였습니다. 이전 시멘트 기반 기록을 5 배나 능가하는 막대한 양의 열 (약 458 kJ/kg) 을 저장했습니다. 하지만 페라리처럼 구축 비용이 비쌌습니다.
• 가성비 선택 (CaCl2 및 Zn(NO3)2): 이 혼합물들은 "신뢰할 수 있는 세단"이었습니다. 리튬 혼합물만큼 많은 열을 저장하지는 않았지만, 제조 비용이 훨씬 저렴했습니다. 그들은 훌륭한 균형을 제공했습니다: 매우 낮은 가격에 좋은 성능을 발휘합니다.

결과

이 지능적이고 데이터 기반의 접근 방식을 사용하여 팀은 단순히 하나의 좋은 레시피를 찾은 것이 아니라, 새로운 재료 군을 발견했습니다.

• 그들은 시멘트 (드라이브웨이에 있는 그 물질) 가 레시피만 올바르게 잡으면 이러한 열 저장 염을 보유하는 훌륭한 "스펀지"라는 사실을 발견했습니다.
• 그들은 "파레토 프론티어"를 확인했는데, 이는 절대적인 최고의 절충안을 찾았다는 것을 의미하는 세련된 표현입니다. 더 많은 열을 얻으려면 더 많은 돈을 지불해야 하고, 더 저렴한 재료를 얻으려면 더 적은 열을 저장해야 합니다. 그들은 그 선상의 완벽한 지점들을 찾았습니다.
• 이러한 새로운 시멘트 - 염 재료는 실리카 젤이나 팽창된 펄라이트로 만든 가장 비싸고 첨단 재료만큼 강력하지는 않지만, 훨씬 저렴합니다.

결론

이 논문은 더 나은 에너지 저장을 위해 추측에 의존할 필요가 없음을 증명합니다. 실험을 안내하기 위해 지능적인 컴퓨터 알고리즘을 사용함으로써 팀은 열을 효율적으로 저장하는 새로운 저비용 재료를 빠르게 발견했습니다. 이는 미로 속의 모든 막다른 골목으로 뛰어드는 대신, GPS 를 사용하여 가장 빠른 경로를 찾는 것과 같습니다. 이러한 새로운 시멘트 - 염 복합체는 여름의 열을 겨울에 사용할 수 있도록 저장하는 실용적이고 저렴한 방법이 되어, 우리가 재생 에너지를 더 효과적으로 활용하는 데 기여할 수 있습니다.

기술 요약

기술 요약: 계절성 열화학 에너지 저장을 위한 시멘트 - 염수화물 복합체의 고처리량 베이지안 최적화

문제 제기
염수화물을 기반으로 한 열화학 에너지 저장 (TCES) 은 높은 부피당 에너지 밀도와 열손실 없이 에너지를 무기한 저장할 수 있는 능력으로 인해 계절성 열 저장에 유망한 해결책을 제공합니다. 그러나 이러한 시스템의 실제 배포는 흡착제 재료의 복잡한 설계로 인해 방해받고 있습니다. 시멘트 - 염 복합체의 제형은 염 화학, 염 함량, 바인더 조성, 첨가제 함량과 같은 결합된 변수들에 따라 성능이 결정되는 고도로 비선형적인 조합 설계 공간을 포함합니다. 전통적인 시행착오 방식이나 일변량 실험 전략은 이 공간을 효율적으로 탐색하는 데 비현실적이며, 완전한 탐색을 위해서는 장기간에 걸쳐 수천 번의 합성 및 특성 분석 사이클이 필요합니다. 또한, 기존 시멘트 기반 TCES 재료는 종종 낮은 비에너지를 겪는 반면, 고성능 대안들 (예: 실리카겔 또는 팽창된 버미큘라이트 매트릭스) 은 종종 비용이 너무 많이 듭니다. 비용 효율적이고 고성능인 시멘트 - 염 복합체의 발견을 가속화하기 위한 데이터 기반 전략에 대한 시급한 필요성이 있습니다.

방법론
저자들은 시멘트 - 염수화물 복합체의 제형을 안내하기 위해 베이지안 최적화 (BO) 를 기반으로 한 고처리량 데이터 기반 실험 프레임워크를 개발했습니다. 이 방법론은 적응형 실험 설계와 열역학 모델링을 통합합니다:

• 설계 공간: 최적화는 다음으로 정의된 4 차원 매개변수 공간을 탐색했습니다:
  1. 염 종류: 11 가지 수화염을 포함하는 범주형 변수로, 일반적인 후보 (예: MgSO₄) 와 덜 조사된 염 (LiCl, CaCl₂, Zn(NO₃)₂) 을 포함합니다.
  2. 염 농도: 20°C 에서의 최대 용해도에 대한 용해된 염의 비율 ($s/s_{max}$) 로 정의됩니다.
  3. 물 - 시멘트 비율 ($w/c$): 0.70 에서 1.50 까지 범위입니다.
  4. 첨가제 - 시멘트 비율 ($a/c$): 0.0 에서 30.0 g/kg 까지 범위이며, 침전을 완화하기 위해 침전 방지 첨가제를 사용합니다.
• 최적화 전략: 캠페인은 경쟁하는 목표인 비에너지 ($E_d$) 최대화와 비에너지 비용 (경제적 핵심 성과 지표, KPI) 최소화를 목표로 하는 두 개의 병렬 BO 파이프라인을 활용했습니다. 워크플로에는 라디얼 베이스 함수 (RBF) 와 Matérn 커널을 사용하는 가우시안 프로세스 (GP) 대리 모델이 사용되었습니다. 획득 함수 (개선 확률, 기대 개선, 하위 신뢰 구간) 는 탐색과 활용을 균형 있게 조절했습니다.
• 실험 프로토콜: 복합체는 염을 물에 용해시켜 시멘트와 첨가제와 혼합하는 in-situ 방법을 통해 합성되었습니다. 시료는 경화, 건조, 과립화되었습니다. 고처리량 수분 흡착 등온선은 20°C 에서 20 개의 시료를 동시에 처리할 수 있는 동적 증기 흡착 (DVS) 분석기를 사용하여 측정되었습니다.
• 열역학 모델링: 실험적 등온선은 Dubinin–Astakhov (DA) 방정식을 사용하여 피팅되었습니다. Polanyi 의 잠재력 이론을 사용하여 등온선은 작동 온도 (40°C 흡착, 90°C 탈착) 로 외삽되었습니다. 비에너지 ($E_d$) 는 Clausius–Clapeyron 방정식을 통해 유도된 등온 흡착열 ($q_{st}$) 과 사이클 흡수량 변화 ($\Delta x_{cycle}$) 를 기반으로 계산되었습니다.

주요 기여

• 시멘트 - 염 TCES 에 대한 BO 의 첫 번째 적용: 본 연구는 TCES 를 위한 시멘트 - 염 복합체의 다목적 설계에 베이지안 최적화를 처음 적용한 것으로, 제약이 있는 다변수 재료 발견 문제에서 순차적 학습의 유효성을 입증했습니다.
• 화학적 설계 공간의 확장: 본 연구는 시멘트 기반 TCES 시스템에서 기존에 MgSO₄에 집중하던 전통을 넘어, marginal 하게 조사되었거나 이전에 보고되지 않았던 염 (LiCl, CaCl₂, Zn(NO₃)₂) 을 체계적으로 조사했습니다.
• 고장 모드 처리: 이 프레임워크는 합성 실패 (예: 흡습성, 경화 불가) 를 페널티 전략을 통해 최적화 루프에 성공적으로 통합하여, 대리 모델이 실현 가능한 제형의 경계를 학습할 수 있도록 했습니다.
• 파레토 최적 발견: 이 접근법은 높은 에너지 밀도와 낮은 재료 비용 사이의 최적 균형을 제공하는 비우세 해 집합을 식별하여, 조합 공간에서 뚜렷한 고성능 영역을 밝혀냈습니다.

결과
BO 가 안내한 캠페인은 LiCl, CaCl₂, Zn(NO₃)₂ 기반의 파레토 최적 제형을 성공적으로 식별했습니다:

• 성능: 가장 우수한 성능을 보인 LiCl 기반 (LiCl-S1) 제형은 반복 측정을 기준으로 약 458 kJ kg⁻¹의 비에너지를 달성했습니다. 이는 이전에 개발된 시멘트 기반 재료에 비해 최대 5 배까지의 개선을 의미합니다.
• 비용 - 성능 트레이드오프: LiCl-S1 이 가장 높은 에너지 밀도를 제공했지만, 더 높은 재료 비용이 수반되었습니다. 반면, CaCl₂ 및 Zn(NO₃)₂ 기반 복합체 (예: CaCl₂-S2, Zn(NO₃)₂-S1) 는 더 낮은 비에너지 (150–161 kJ kg⁻¹) 를 보였지만, 훨씬 더 유리한 경제적 KPI(3.2–7.6 USD kWh⁻¹) 를 보여주어 균형 잡힌 비용 대비 성능 비율을 제공했습니다.
• 문헌과의 비교: 최적화된 시멘트 기반 복합체는 최첨단 실리카겔 또는 팽창된 버미큘라이트 시스템 (1000–2000 kJ kg⁻¹ 초과 가능) 보다 낮은 비에너지를 보였으나, 시멘트 매트릭스의 낮은 비용으로 인해 뛰어난 경제적 타당성을 입증했습니다.
• 재현성: 파레토 최적 시료의 재테스트 분석은 상대 표준 편차 (RSD) 가 일반적으로 5% 미만으로, 스크리닝 워크플로의 견고함을 확인했습니다.

의의 및 주장
본 논문은 베이지안 최적화가 합성 제약과 다목적 트레이드오프가 중심이 되는 복잡한 제형 공간에서 TCES 재료의 발견을 가속화하는 효과적인 전략이라고 주장합니다. 이 연구는 BO 를 통해 최적화된 시멘트 - 염 복합체가 이전의 시멘트 기반 반복물보다 훨씬 높은 비에너지를 달성할 수 있음을 보여주어, 비용이 주요 제약 조건인 계절성 저장 응용 분야에 매력적인 후보가 될 수 있음을 시사합니다.

저자들은 겸손하게도, 그들의 재료의 비에너지가 실리카겔과 같은 고성능 다공성 매트릭스보다 낮지만, 최적화된 시멘트 기반 복합체 (특히 CaCl₂ 및 Zn(NO₃)₂ 기반) 의 비용 대비 성능 균형은 뚜렷한 장점이라고 지적합니다. 이 연구는 데이터 기반 최적화가 기존 실험 설계로는 놓칠 수 있는 유망한 화학적 조성 및 제형 경계를 밝혀낼 수 있음을 강조하며, 저비용 계절성 열 저장 솔루션의 더 효율적인 개발을 위한 길을 열고 있습니다. 향후 연구는 사이클 안정성, 흡착 동역학, 그리고 첨가제 및 매트릭스 수정의 추가 정교화에 초점을 맞출 것으로 제안됩니다.