🤖 machine learning

PiDDM: Physics-Informed Differentiable Degradation Modeling for Lithium-Ion Battery State-of-Health Prediction

이 논문은 아레니우스 역학(Arrhenius kinetics)을 신경망 학습에 통합하여 순수 데이터 기반 베이스라인 모델보다 리튬 이온 배터리의 건강 상태(state-of-health) 예측에 있어 우수한 정확도와 물리적 일관성을 달성하는 물리 정보 기반 미분 가능 열화 모델링 프레임워크인 PiDDM을 소개한다.

원저자: Zeping Chen, Ruda Jian, Sachin Sigdel, Guoping Xiong, Jian-Xun Wang, Tengfei Luo

게시일 2026-08-03

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Zeping Chen, Ruda Jian, Sachin Sigdel, Guoping Xiong, Jian-Xun Wang, Tengfei Luo

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신의 스마트폰, 전기 자동차, 혹은 심지어 이웃을 위해 태양광 에너지를 저장하는 거대한 배터리들을 상상해 보세요. 이 모든 것들은 작동을 유지하기 위해 리튬 이온 배터리 내부에서 일어나는 작고 보이지 않는 화학적 춤에 의존하고 있습니다. 하지만 살아있는 모든 것과 마찬가지로, 이 배터리들도 늙어갑니다. 시간이 흐르면서 배터리는 완충 상태를 유지하는 능력을 잃게 되는데, 과학자들은 이 과정을 "노화(aging)" 또는 "퇴화(degradation)"라고 부릅니다. 배터리가 언제 너무 지쳐서 작동을 멈출지 정확히 예측하는 것은 매우 큰 도전입니다. 만약 우리가 예측에 실패한다면, 우리의 전기 자동차는 길 한복가운데서 멈춰 설 수도 있고, 우리 사회의 전력망은 전력을 잃을 수도 있습니다.

이를 해결하기 위해 과학자들은 보통 두 가지 주요 접근 방식을 사용합니다. 첫 번째는 단서를 찾는 탐정 같습니다. 그들은 방대한 양의 데이터와 컴퓨터 프로그램(머신 러닝)을 사용하여 배터리가 어떻게 행동하는지 패턴을 찾아냅니다. 두 번째는 설계도를 사용하는 정비사와 같습니다. 그들은 배터리가 작동하는 실제 물리 및 화학 법칙에 기반한 복잡한 수학 모델을 구축합니다. 문제는 "탐정" 방식은 배터리가 새로운 방식으로 사용될 때 혼란을 겪기 쉽고, "정비사" 방식은 너무 복합적이어서 모든 개별 배터리에 맞춰 조정하기 어렵다는 점입니다. 이 논문은 이 두 가지 아이디어를 결합하여, 데이터와 물리적 세계의 규칙을 모두 이해하는 더 똑똑한 도구를 만드는 새로운 방법을 소개합니다.

이 연구를 이끄는 뤄 텅페이(Tengfei Luo)와 동료들은 PiDDM(Physics-Informed Differentiable Degradation Modeling, 물리 정보 기반 미분 퇴화 모델링)이라고 불리는 새로운 프레임워크를 개발했습니다. PiDDM을 배터리가 어떻게 노화되는지 예측하는 법을 배우는 학생이라고 생각해보세요. 그런데 이 학생 옆에는 아주 엄격하고 현명한 선생님이 앉아 있습니다.

과거에 컴퓨터 모델들은 마치 정답지만 보는 학생들과 같았습니다. 그들은 과거의 배터리 테스트 패턴을 암기했습니다. 만약 당신이 완전히 다른 방식으로 사용되는 배터리(예를 들어, 매우 불규칙하고 무작위한 패턴으로 충전되고 방전되는 배터리)에 대해 미래를 예측하라고 질문한다면, 그들은 자주 틀리곤 했습니다. 때로는 낡고 지친 배터리가 갑자기 더 젊어져서 용량이 늘어났다고 예측하기도 했는데, 이는 물리적으로 불가능한 일입니다. 이는 마치 10년 동안 마라톤을 뛴 사람이 어느 날 밤 갑자기 키가 커지고 더 빨라졌다고 추측하는 학생과 같습니다.

PiDDM은 실제 화학에 기반한 "도로 위의 규칙"을 컴퓨터에게 제공함으로써 게임의 판도를 바꿉니다. 연구진은 배터리가 노화되는 이유가 두 가지 주요 요인 때문임을 모델에게 가르쳤습니다. 바로 내부에 쌓이는 끈적한 층(고체 전해질 계면, 즉 SEI)과 배터리 작동에 필요한 리튬 "연료"의 느린 손실(리튬 인벤토리 손실, 즉 LLI)입니다. 또한 그들은 열이 이 노화를 더 빠르게 만든다는 점도 알려주었습니다. 마치 뜨거운 주방에서 음식이 더 빨리 상하는 것과 같습니다.

PiDDM의 마법은 단순히 배터리의 건강 상태를 추측하는 것이 아니라, 화학적 규칙을 사용하여 배터리가 죽어가는 '속도'를 계산한 다음, 그 속도들을 합산하여 미래를 예측한다는 점에 있습니다. 이는 학생이 더 이상 정답지만 암기하는 것이 아니라, 노화 과정 뒤에 숨겨진 수학을 실제로 배우고 있는 것과 같습니다.

아이디어를 테스트하기 위해 팀은 55개의 실제 리튬 이온 배터리 데이터셋을 사용하였으며, 이 배터리들은 꾸준한 충전부터 무작위적인 전력 수요에 이르기까지 6가지의 서로 다른 혹독한 테스트를 거쳤습니다. 그들은 새로운 PiDDM 모델을 두 가지 인기 있는 방법, 즉 표준 "탐정" 모델(MLP라고 불림) 및 "정비사" 모델(PINN이라고 불림)과 비교했습니다.

결과는 PiDDM이 가장 정확하다는 것을 보여주었습니다. 특히 배터리가 까다롭고 예측 불가능한 방식으로 사용될 때 PiDDM은 다른 모델들보다 실수를 적게 했습니다. 하지만 진짜 승리는 그들이 모델을 "미래"에 대해 테스트했을 때 나타났습니다. 그들은 배터리 수명의 처음 **90%**만을 사용하여 모델을 학습시킨 후, 나머지 마지막 **10%**를 예측하도록 했습니다.

여기서 차이는 극명했습니다. 표준 "탐정" 모델(MLP)은 배터리의 건강 상태에 대해 기괴한 급등과 급락을 예측하며 환각 증세를 보이기 시작했습니다. "정비사" 모델(PINN)은 때때로 배터리가 잃어버린 에너지를 마법처럼 회복할 것이라고 예측했는데, 이는 현실 세계에서는 일어나지 않는 일입니다. 그러나 PiDDM은 침착하고 현실적으로 반응했습니다. PiDDM은 배터리가 수명 끝에 다다를수록 더 빠르게 악화된다는 것을 정확히 예측했으며, 배터리가 갑자기 좋아질 수 있다는 불가능한 아이디어를 결-코 제시하지 않았습니다.

저자들은 이러한 물리적 규칙을 학습 과정에 직접 삽입함으로써, PiDDM이 배터리 건강을 모니터링하는 데 있어 더 신뢰할 수 있는 도구를 만든다고 제안합니다. 이 모델은 단순히 숫자만 보는 것이 아니라, 숫자가 들려주는 이야기를 이해합니다. 비록 이 모델이 완벽하지는 않아서 다른 모델들이 포착하는 아주 미세하고 노이즈 섞인 굴곡들을 놓치기도 했지만, 불가능한 사건을 예측하는 크고 위험한 오류들은 피했습니다. 이는 우리가 전기 자동차와 에너지 그리드를 안전하고 효율적으로 유지하는 데 있어 유망한 단계가 될 것이며, 배터리가 은퇴할 준비가 되었을 때 우리가 정확히 언제 작별을 고해야 할지 알 수 있게 해줄 것입니다.

기술 요약: 리튬 이온 배터리 SOH 예측을 위한 PiDDM

문제 정의
리튬 이온 배터리의 상태 건강도(SOH)를 정확하게 예측하는 것은 현대 에너지 저장 시스템의 신뢰성을 위해 매우 중요하다. 데이터 기반의 머신러닝 모델이 유망한 성과를 보여왔으나, 이들은 서로 다른 사이클링 프로토콜 간의 일반화 능력이 떨어지거나, 장기 외삽(extrapolation) 시 비물리적인 용량 재생(capacity regeneration)과 같은 물리적으로 불가능한 예측을 생성하는 경우가 많다. 반대로, 순수 물리 기반 모델(예: 다공성 전극 모델)은 메커니즘에 대한 통찰을 제공하지만, 광범위한 파라미터화와 보정이 필요하여 정기적인 측정이 불충분한 실제 현장에 배치하기 어렵다. 핵심 과제는 데이터 기반 학습의 유연성을 희생하지 않으면서도, 다양한 운전 조건 전반에서 견고함을 보장할 수 있도록 물리적 근거를 유지하는 모델을 개발하는 것이다.

방법론: 물리 정보 미분 가능 퇴화 모델링 (PiDDM)
저자들은 PiDDian, 즉 신경망의 학습 목적 함수에 경험적 퇴화 역학(degradation kinetics)을 직접 통합하는 프레임워크인 PiDDM을 제안한다. 일반적인 잔차 페널티(residual penalties)를 부과하는 표준 물리 정보 신경망(PINN)과 달리, PiDDM은 배터리 노화 메커니즘에서 유도된 특정하고 미분 가능한 퇴화율 사전 정보(prior)를 내장한다.

퇴화 메커니즘: 이 모델은 두 가지 주요 노화 모드인 고체 전해질 계면(SEI) 성장과 리튬 인벤토리 손실(LLI)에 초점을 맞춘다. 퇴화율은 다음을 고려하는 Arrhenius-power-law 관계식(식 1)을 사용하여 공식화된다:
- 열적 가속화: 절대 온도( $T$ )에 의존하는 Arrhenius 항을 통해 모델링됨.
- 사이클링 가혹도: 방전 심도(DoD) 및 누적 암페어시(Ah) 처리량에 의존하는 power-law 항을 통해 모델링됨.
- 시간 의존성: SEI 성장을 나타내는 시간( $t$ )에 대한 power-law 항.
신경망 구조:
- 입력: 정전류(CC) 및 정전압(CV) 충전 단계에서 추출된 통계적 특징(예: 전압 응답, 전류 감소, 엔트로피 기술자)으로 구성된 16차원 벡터.
- 신경망: 완전 연결 신경망(fully connected network)은 이러한 특징들을 다섯 개의 유효한 사이클 의존적 역학 파라미터( $\hat{E}_{SEI}, \hat{\alpha}, \hat{E}_{LLI}, \hat{b}_1, \hat{b}_2$ )로 매핑한다.
- 미분 가능 모듈: 이 파라미터들은 전역 학습 가능한 전지수 인자( $k_{SEI}, k_{LLI}$ ) 및 알려진 운전 변수들과 결합되어 퇴화율 방정식에 입력된다.
- 출력: 예측된 용량 궤적은 초기 측정된 용량에서 시작하여 forward-Euler 스킴을 사용하여 시간에 따라 퇴화율을 수치적으로 적분하여 생성된다.
학습 목적 함수: 모델은 물리 기반의 퇴화 구조를 강제하면서 예측된 SOH와 관측된 SOH 사이의 평균 제곱 오차(MSE)를 최소화한다. 이는 유도 편향(inductive bias)으로 작용하여, 학습된 궤적이 단조적(monotonic)이고 열적으로 일관되도록 제한한다.

주요 기여

새로운 프레임워크: 경험적 퇴화 역학을 단순한 경직된 순방향 모델이나 일반적인 페널티가 아닌, 신경망 학습 루프 내의 미분 가능한 제약 조건으로 취급하는 PiDDM을 도입하였다.
물리적 일관성: 용량 감소의 물리적으로 기대되는 방향(단조 감소)을 명시적으로 강제하고, 열적 및 사이클링 가혹도 의존성을 통합함으로써 용량 재생과 같은 비물리적 아티팩트를 방지한다.
일반화: 이 접근 방식은 각 새로운 조건에 대한 광범한 재학습 없이도 다양한 운전 프로토콜(정전류, 랜덤 워크, 위성 미션 프로파일)에 걸쳐 일반화되도록 설계되었다.

결과
본 프레임워크는 6가지 서로 다른 프로토콜 하에서 사이클링된 55개의 NCM 배터리를 포함하는 공개 데이터셋을 통해 평가되었다. 성능은 표준 다층 퍼셉트론(MLP) 및 베이스라인 PINN과 비교되었다.

표준 예측: PiDDM은 모든 지표(MAPE, RMSE, MAE, MSE)에서 MLP 및 베이스라인 PINN에 비해 가장 낮은 평균 예측 오차를 달적으로 달성했다. 개선 효과는 특히 동적 프로토콜(Random Walk 및 Satellite)에서 두드러졌으며, 여기서 PiDDM은 시간적 퇴화 추세를 더 잘 포착했다.
외삽(Extrapolation): 배터리 수명의 초기 90%에서만 학습하고 나머지 10%를 평가하는 테스트에서, PiDDM은 우수한 안정성을 입증했다.
- MLP는 장기 예측에서 불안정한 진동 동작과 노이즈를 보였다.
- 베이스라인 PINN은 간혹 비물리적인 상향 변동(용량 재생)을 생성했다.
- PiDDM은 매끄럽고 단조로운 궤적을 유지하면서 수명 종료 시점의 가속화된 퇴화 니(knee) 현상을 성공적으로 포착했다.
트레이드오프: 저자들은 지면 진실(ground-truth) 데이터에 국부적인 상향 변동(노이즈 또는 아티팩트로 추정)이 포함된 R2.5 프로토콜의 경우, 단조 퇴화에 대한 PiDDM의 엄격한 준수로 인해 베이스라인 PINN보다 절대 평균 오차가 약간 높았음을 언급했다. 그러나 PiDDM은 더 낮은 RMSE와 MSE를 유지하여 이상치(outlier)에 대한 더 나은 견고성을 보여주었다.

의의 및 주장
본 논문은 퇴화 물리학을 신경망 학습에 통합하는 것이 특히 외삽 시나리오에서 예측 정확도와 물리적 일관성을 모두 크게 향상시킨다고 주장한다. 저자들은 PiDDM이 데이터 기반 학습의 유연성과 물리 법칙의 안정성 사이에서 균형을 맞춤으로써 실질적인 배터리 건강 모니터링을 위한 유망한 프레임워크를 제공한다고 상정한다. 본 연구는 모델이 노이즈가 있는 실험 데이터의 모든 국부적 변동을 완벽하게 추적하지는 못할 수 있지만, 비물리적인 예측을 피하는 능력이 견고함이 최우선인 실제 응용 분야에서 더 신뢰할 수 있음을 시사한다. 향가 연구로는 시간 가변 온도 및 내부 저항과 같은 추가 변수를 포함하도록 프레임워크를 확장하고, 더 넓은 범위의 배터리 화학 조성에 대해 테스트하는 것이 제시되었다.

기술 요약: 리튬 이온 배터리 SOH 예측을 위한 PiDDM

유사한 논문