Surrogate-accelerated parameterisation of physics-based Li-ion battery models

기술 요약: 물리 기반 리튬 이온 배터리 모델의 대리 모델 가속화된 파라미터화

문제 정의
Doyle–Fuller–Newman(DFN) 모델 및 그 축소 모델인 전해질 역학을 포함한 단일 입자 모델(SPMe)과 같은 물리 기반 연속체 모델은 직접 측정할 수 없는 물리적으로 의미 있는 내부 전기화학적 상태(예: 화학량론, 농도 구배)에 접근할 수 있는 기능을 제공한다. 그러나 이러한 모델의 셀 특이적 파라미터를 단자 전류-전압 데이터로부터 추론하는 것은 계산 비용이 많이 들며 식별성(identifiability) 문제로 인해 제한적이다. 기존의 접근 방식은 종종 민감도 기반의 파라미터 선택이나 단계별 추정에 의존하며, 많은 연구가 전압 피팅은 정확하게 달성하면서도 고유하거나 물리적으로 의미 있는 파라미터를 회복하는 데 실패한다. 또한, 상태 의존적 수송 함수(확산 계수)를 포함하는 고차원 동시 피팅은 여전히 드문 사례이다. 중요한 과제 중 하나는 추론 모델이 데이터 생성 모델과 동일하여 구조적 모델 불일치를 고려하지 못하는 "역 크라임(inverse crime)" 현상이다.

방법론
저자들은 이러한 과제를 해결하기 위해 SPMe를 기반으로 한 대리 모델 가속 역방향 프레임워크(surrogate-accelerated inverse framework)를 제시한다. 방법론은 다음과 같은 몇 가지 핵심 단계로 진행된다:

1. 모델 재구성 및 중복 제거: SPMe를 재스케일링하여 정확한 구조적 중복성을 제거한다. 공간 좌표, 농도 및 플럭스를 정규화함으로써, 저자들은 중복되지 않는 파라미터 그룹 세트를 도출한다. 여기에는 스칼라 그룹인 확산 시간 척도($\tau_k$), 최대 리튬 인벤토리($Q_k$), 교환 전류 스케일($i^{\text{ref}}_{k,0}$) 및 전해질 특성과 더불어, 상태 의전적 고체 및 전해질 확산 계수를 위한 함수형 파라미터가 포함된다.
2. 대리 모델 가속화: SPMe의 순방향 맵(forward map)은 Artiphy 대리 모델 프레임워크를 사용하여 가속화된다. 이 미분 가능한 대리 모델은 전압 및 내부 상태의 빠른 평가를 가능하게 하여, 고차원 파라미터 공간에 대한 경사 하강법 기반 최적화를 계산적으로 실행 가능하게 만든다.
3. 합성 벤치마크: 역 크라임을 피하기 위해, 벤치마크 데이터는 WLTP 유사 동적 전류 프로토콜 하에서 더 상세한 DFN 모델(Dandeliion 시뮬레이터 사용)을 사용하여 생성된다. 추론은 SPMe를 통해 수행되며, 이는 알려진 참조 파라미터를 유지하면서 제어된 모델 불일치를 도입한다.
4. 추론 정식화: 본 연구는 최대 사후 확률(Maximum A Posteriori, MAP) 추정 방プローチ를 채택한다. 파라미터 벡터에는 27개의 스칼라 파라미터와 3개의 함수형 파라미터(절단된 푸리에 급수로 표현된 고체 확산 계수, 그리고 지수 형태 함수인 전해질 확산 계수)가 포함된다. 목적 함수는 가우시안 우도(전압 잔차 기반), 문헌 유래 사전 확률(LiionDB로부터), 그리고 연성 물리적 일관성 페널티(농도 및 화학량론이 $[0,1]$ 범위 내의 비음수 값을 보장하도록 함)를 결មាន한다.
5. 민감도 및 식별성 분석: 추론 후, 저자들은 국소 민감도 및 피셔 정보 행렬(Fisher Information Matrix, FIM) 분석을 수행한다. 이는 파라미터를 비차원 좌표로 변환하여 자코비안(Jacobian)과 FIM을 계산하고, 어떤 파라미터 조합이 전압 데이터에 의해 제약되는지 평가하며, 상관관계가 있는 방향을 식별하는 과정을 포함한다.

주요 결과

• 전압 재구성: 추론된 SPMe는 DFN 벤치마크 전압을 약 1 mV의 오차(기존 PyBaMM 솔버로 평가 시 RMSE 1.09 mV)로 재현한다.
• 파라미터 회복:
  • 용량: 전극 용량($Q_n, Q_p$)은 높은 충실도로 회복된다(상대적 차이 < 2.5%).
  • 양극: 양극 확산 계수는 조사된 화학량론 범위의 상당 부분에서 정확하게 회복된다.
  • 음극: 우수한 전압 피팅에도 불구하고, 음극 확산 계수는 벤치마크와 크게 다르다. 이는 흑연 유사 음극의 평탄한 개방 회로 전위(OCP) 프로파일 때문이며, 이로 인해 주행 사이클의 넓은 영역에서 단자 전압이 음극 농도 변화에 둔감해진다.
  • 전해질: 전해질 확산 계수의 형상 파라미터($\beta_e$)는 전압에 미치는 영향이 매우 작기 때문에(~1 µV), 벤치마크와 큰 편차를 보이며 정보가 부족한 것으로 나타난다.
• 식별성 및 상관관계:
  • 상관된 그룹: 분석 결과, 운동학적 파라미터와 오믹 파라미터 사이, 그리고 전해질 수송 블록($Q_e, \tau_e, t_+$) 내에서 강한 상관관계가 있음이 드러났다.
  • 정보 국부화: 확산 계수에 관한 정보는 균등하게 분포되어 있지 않다. 음극의 경우, 정보는 단일 지배적 모드(전체 정보의 82%)에 집중되어 있으며, 주로 음극 OCP 기울기가 가파를 때 획득된다. 양극의 경우, 정보가 더 분산되어 있으나 여전히 주요 모드에 집중되어 있다.
  • 피셔 곡률 vs. 물리적 정확도: 본 연구는 결정적인 차이점을 강조한다. 즉, 좁은 피셔 곡률 엔벨로프(모델 내의 높은 국소 정밀도를 나타냄)가 반드시 실제 물리적 확산 함수의 정확한 회복을 보장하는 것은 아니다. 특히 파라미터화(예: 글로벌 푸리에 기저)가 전체 도메인에 걸쳐 국소적 제약을 전파하는 경우 그러하다.

의의 및 주장
본 논문은 신속한 물리 기반 in-silico 파라미터화를 향한 단계임을 주장하며, 파괴적인 셀 특성 분석에 대한 의존도를 줄이는 것을 목표로 한다. 주요 기여는 다음과 같다:

1. 실행 가능성 입증: 미분 가능한 SPMe 순방향 맵을 통해 고차원 물리 기반 파라미터 추론이 동적 전류-전압 데이터로부터 계산적으로 실용적일 수 있음을 보여준다.
2. 모델 불일치 처리: DFN 생성 벤치마크를 사용하여 SPMe 추론을 수행함으로써, 본 연구는 "역 크라임"을 넘어 모델 불일치가 파라미터 회복에 미치는 영향을 이해하기 위한 제어된 테스트베드를 제공한다.
3. 미묘한 식별성: 정확한 전압 재현이 반드시 고유하거나 물리적으로 의미 있는 파라미터 회복을 의미하지는 않는다는 점을 명확히 한다. 이는 약한 전압 민감도(예: 평탄한 OCP 영역)와 파라미터 상관관계가 어떻게 완벽한 데이터 피팅 상황에서도 비고유성(non-uniqueness)을 은폐할 수 있는지 보여준다.
4. 대리 모델 및 사전 확률의 역할: 저자들은 대리 모델이 물리 모델을 대체하는 것이 아니라 가속화하는 도구임을 강조하며, 전압 데이터만으로는 정보가 불충분한 약한 방향을 규제하는 데 있어 사전 확률이 중요한 역할을 한다고 강조한다.

저자들은 대리 모델이 추론을 가속화하지만, 파라미터의 해상도는 궁극적으로 모델 구조와 실험 프로토콜의 정보 함량에 의해 결정된다는 점을 언급하며 신중한 입장을 유지한다. 또한, 보고된 피셔 곡률 엔벨로프는 특정 SPMe 구조와 독립적인 노이즈 가정에 따라 달라질 수 있으며, 시간적으로 상관된 모델 불일치가 존재하는 상황에서는 물리적 불확실성의 낙관적인 대리 지표가 될 수 있다고 경고한다.