기술 요약: 리튬 이온 배터리 재활용을 위한 설명 가능한 다중 충실도 회귀 분석

문제 정의

전기차(EV) 및 휴대용 전자기기의 급격한 확산은 수명이 다한 리튬 이온 배터리(LIB)의 발생을 가속화하여 긴급한 환경적, 경제적 과제를 야기하고 있습니다. 재활용은 자원 회복과 순환 경제로의 전환을 위해 필수적이지만, 특히 미국의 재활용 함량 표준(RCS)과 같은 진화하는 정책 프레임워크 하에서 재료 순환성, 처리 비용 및 수익성을 공동으로 예측할 수 있는 데이터 기반 도구는 현저히 부족한 실정입니다.

기존 문헌은 주로 정적인 물질 흐름 분석이나 이론적 투영에 의존하며, 이는 실제 운영상의 이질성이나 경제적 트레이드오프를 포착하지 못합니다. 또한, 현재의 머신러닝(ML) 접근 방식은 종종 과거 데이터에 과도하게 의존하고, 실시간으로 비용이나 이익을 예측하는 데 어려움을 겪으며, 해석 가능성이 부족합니다. 결과적으로 정책 입안자와 산업 이해관계자들은 다양한 미래 시나리오(2020~2050년)에 걸쳐 LIB 재활용 전략의 생존 가능성을 예측할 수 있는 신뢰할 수 있고 신속하며 투명한 방법을 갖지 못하고 있습니다.

방법론

본 연구는 재료 순환성, 처리 비용, 재활용 후 수익성이라는 세 가지 핵심 결과값을 최적화하기 위해 설계된 **설명 가능한 다중 충실도 회귀 프레임워크(Explainable Multi-Fidelity Regression Framework)**를 제안합니다. 본 방법론은 다음과 같은 구조화된 파이프라인을 따릅니다.

1. 데이터 수집 및 전처리

본 연구는 30년(2020~2050년) 동안 800개 이상의 시나리오 변형을 포함하는 공개 연구(Dunn 등이 Dryad에 게시)에서 추출한 세 가지 큐레이션된 데이터셋을 활용합니다. 데이터셋은 다음과 같이 분류됩니다:

• 순환성 데이터셋: 다양한 정책/기술 시나리오 하에서의 물질 흐름, 에너지 은퇴 및 시스템 순환성을 추적합니다.
• 비용 데이터셋: 공정 유형, 해체 수준 및 운송에 따른 재활용 비용($/kg)을 세분화합니다.
• 수익 데이터셋: 경제적 및 운송 가설에 따른 수익성 변화를 분석합니다.
  전처리 과정에는 원-핫 인코딩 및 라벨 인코딩을 통한 범주형 변수 처리, IQR(사분위수 범위) 방법을 이용한 이상치 탐지, 그리고 데이터 분할(훈련 80%, 테스트 20%, 훈련 데이터 중 20%는 검증용으로 별도 예약)이 포함되었습니다.

2. 특성 공학 (Feature Engineering)

가장 영향력 있는 변수를 식별하기 위해 저자들은 주성분 분석-정보 획득(PCA-IG) 하이브리드 접근 방식을 채택했습니다. PCA는 차원을 축소하였고, 정보 획득은 변환된 특성들이 타겟 변수에 미치는 관련성을 평가했습니다. 이 과정을 통해 재활용 중량, 수요, 재활용 공정 유형(습식, 건식, 직접 재활용), 신재(virgin material) 가치와 같은 핵심 동인을 식별했습니다.

3. 모델 아키텍처: 충실도 기반 회귀

본 연구의 핵심 기여는 새로운 충실도 기반 베이지안 리그 회귀(Fidelity-Based Bayesian Ridge Regression, BRR) 모델입니다. 이 아키텍처는 다음을 통합합니다:

• 저충실도(Low-Fidelity, LF) 모델: 신속한 초기 근사치를 위한 계산 효율적인 예측기입니다.
• 고충실도(High-Fidelity, HF) 모델: 더 많은 자원을 필요로 하지만 높은 정밀도를 제공하는 확률적 BRR 구성 요소입니다.
• 통합: 최종 예측값($\hat{y}$)은 두 모델의 가중 결합입니다: $\hat{y} = \alpha f_{LF} + (1-\alpha)f_{HF} + \epsilon$.
• 최적화: GridSearchCV를 사용하여 하이퍼파라미터(특히 $\alpha$ 및 $\lambda$ 값)를 튜닝하였으며, 입자 군집 최적화(PSO)로 튜닝된 모델들과 비교하였습니다.

4. 설명 가능성 및 배포

투명성을 보장하기 위해 **로컬 해석 가능한 모델 불가지론적 설명(LIME)**을 적용하여 특성의 영향을 분해하고, 각 예측에 대한 긍정적 및 부정적 동인을 식별했습니다. 마지막으로, 이해관계자들이 파라미터를 입력하여 순환성, 비용, 수익에 대한 실시간 예측을 받을 수 있도록 웹 기반 의사결정 지원 인터페이스(React.js 및 Flask로 구축)를 개발했습니다.

주요 기여

1. PCA-IG 특성 선택: 순환성, 비용, 수익에 영향을 미치는 가장 영향력 있는 요인들을 필터링하기 위해 하이브리드 특성 선택 방법을 적용했습니다.
2. 우수한 예측 정확도: 제안된 충실도 기반 BRR 모델은 세 가지 데이터셋 모두에서 기존 벤치마크(Random Forest, SVR, 선형 회귀, KNN 및 PSO 최적화 모델)를 능가하는 성능을 보였습니다.
3. 설명 가능한 AI(XAI) 통합: LIME을 사용하여 (재활용 처리량, 신재 가치와 같은) 특정 동인이 경제적 및 환경적 결과에 어떻게 긍정적 또는 부정적으로 영향을 미치는지 식별했습니다.
4. 운영 의사결정 지원: 정책 입안자와 산업 이해관계자들이 시나리오 계획을 수행할 수 있도록 기능적인 웹 인터페이스를 개발했습니다.
5. 재활용 방법에 대한 통찰: 미국 규제 맥락 하에서 습식, 건식, 직접 재활용 방식 간의 효율성 트레이드오프를 분석했습니다.

실험 결과

제안된 모델은 모든 세 가지 데이터셋에서 우수한 일반화 능력을 입증했습니다:

• 순환성 예측: 평균 절대 오차(MAE) 0.01과 함께 $R^2$ 점수 0.99를 달성했습니다.
• 비용 예측: 평균 절대 오차(MAE) 0.04와 함께 $R^2$ 점수 0.99를 달성했습니다.
• 수익성 예측: 평균 절대 오차(MAE) 0.11과 함께 $R^2$ 점수 0.99를 달성했습니다.

PSO 튜닝된 BRR 및 SR-BPNN을 포함한 다른 모델들과 벤치마킹했을 때, 충실도 기반 BRR은 특성 선택 후 특히 낮은 오차율과 가장 높은 $R^2$ 점수를 일관되적으로 나타냈습니다.

분석을 통한 주요 통찰:

• 순환성: 지속 가능한 발전 시나리오(SDS)가 명시된 정책 시나리오(STEPS)보다 물질 회복 측면에서 일관되게 우수한 성과를 보였습니다.
• 비용: 습식 재활용이 가장 비용 효율적인 방법($8.38/kg)으로 확인된 반면, 직접 재활용은 더 비싸지만($12.41/kg) 더 높은 재료 가치를 제공했습니다.
• 수익 vs 환경: 직접 재활용이 수익과 환경적 영향 사이에서 최적의 균형을 제공했으나, 건식 재활용 경로는 미국 물류 조건 하에서 가장 수익성이 낮고 탄소 집약적인 것으로 나타났습니다.

의의 및 주장

본 논문은 제안된 프레임워크가 미국 규제 및 지속 가능성 맥락 내에서 LIB 재활용 전략을 최적화하기 위한 확장 가능하고, 해석 가능하며, 즉시 배포 가능한 솔루션을 제공한다고 주장합니다. 계산 효율성과 고정밀 확률 모델링을 결합함으로써, 본 프레임워크는 이론적 물질 흐름 분석과 실시간 운영 의사결정 사이의 간극을 메웁니다.

저자들은 XAI의 통합이 모델을 "블랙박스"에서 투명한 의사결정 지원 시스템으로 변화시켜, 정책 입안자들이 경제적 및 환경적 성과를 주도하는 구체적인 레버(예: 수거율, 운송 모드, 공정 유형)를 이해할 수 있게 한다고 강조합니다. 본 연구는 이 도구가 진화하는 재활용 함량 표준을 준수하고 배터리 순환 경제를 육성하기 위한 복잡한 트레이드오프를 헤쳐 나가는 데 있어 핵심적인 자산임을 입증합니다.

저자들은 모델이 시나리오 투영(2020~2050년) 및 특정 화학 조성(LFP, NMC, NCA)을 바탕으로 학습되었다는 한계를 인정하며, 따라서 본 모델은 동적인 실시간 운영 모니터링 도구라기보다는 전략적 통찰을 위한 도구임을 밝힙니다. 향-후 연구로는 IoT 센서 데이터의 통합 및 신규 녹색 침출 기술으로의 확장을 제안하였습니다.