[요약]
- 전고체 리튬 금속 배터리는 리튬이온 배터리보다 안전하고, 대용량 구현이 가능해 이를 대체할 차세대 배터리로 각광받고 있으나 음극 표면의 덴드라이트 구조 생성이 문제
- batteryNET은 시멘틱 세그멘테이션을 적용하여 전극 표면의 덴드라이트 침전물 예측과 배터리의 성능평가 방법을 제공하고, 배터리 설계 시 미지의 데이터에 대한 계산 모델 제공
-
로렌스 버클리 국립연구소 ‘에너지연구응용고등수학센터(CAMERA)’ 연구팀은 고체 리튬 금속 배터리의 성능평가를 위한 딥러닝 알고리즘 ‘batteryNET’ 개발을 발표
- 전고체 리튬 금속 배터리(Solid-state lithium metal battery)는 기존 리튬이온 배터리에 비해 안전하고, 수명이 길며, 에너지 밀도가 높아 에너지 저장 산업에 혁명을 일으킬 수 있는 잠재력 보유
-
- (특징) 리튬이온 배터리는 양극과 음극 사이에 분리막과 액체 전해액을 사용하지만, 전고체 배터리는 고체 상태의 전해질을 사용하므로, 구조가 안정적이고 전해질이 훼손되어도 배터리 누액이나 화재위험이 없어 높은 안정성 유지
-
- (문제점) 전고체 배터리의 고체 전해질은 액체 전해액보다 리튬이온을 전달하는 능력이 부족하기 때문에, 배터리의 까다로운 작동 조건을 견딜 수 있는 안정적이고 효율적인 전고체 전해질을 개발하는 것이 중요한 기술적 과제
< 리튬이온 배터리와 전고체 배터리 비교 >
- CAMERA 연구팀은 고체 리튬 금속 배터리의 사용시간 경과에 따른 리튬 응집 현상을 평가할 수 있는 딥러닝 알고리즘 ‘batteryNET’을 개발
-
- (원리) 전고체 배터리의 충전·방전 시험에서 중요한 요소는 배터리 내부에 응집된 덴드라이트* 구조의 성장을 체계적으로 측정하는 것으로, 이는 배터리 특성에 영향을 미치는 주요 요소
- * 덴드라이트는 리튬 금속 표면에 나뭇가지 형태로 쌓이는 결정체로, 리튬이온의 이동을 방해해 충·방전 효율을 저하시키고 배터리 수명을 단축
- 전고체 배터리는 반복적인 충·방전 시험에서 화학적 불안정성으로 인해 리튬의 이동성이 떨어지고, 전극 표면에 리튬이 침전되기 시작하는데, 이로 인한 덴드라이트 침전물이 증가하여 배터리의 성능저하를 유발
- batteryNET은 시멘틱 세그멘테이션*을 위한 계층적 딥러닝 아키텍처인 Residual U-Nets를 활용하여, 전극 표면의 덴드라이트 침전물 예측과 배터리의 성능평가 방법을 적용
- * 측정 이미지에서 각 요소들을 물리적 의미의 단위로 인식하고 분류하는 방법(예: 사진에서 사람, 개, 나무, 건물 등을 구분하여 인식)
< 시멘틱 세그멘테이션 예시 >
-
-
- 전고체 배터리의 고해상도 X-선 마이크로 컴퓨터 단층 촬영(micro-CT) 측정 데이터를 전극, 전해질, 리튬 분포에 대한 특성으로 변환시켜 batteryNET 알고리즘에 적용함으로써 배터리의 수명과 안전성 평가에 활용
- 또한 batteryNET은 딥러닝에서 흔히 발견되는 기울기 소실(vanishing gradient) 문제 해결을 위해, 일부 계층을 건너뛰어 신경망 후반부로 직접 정보를 전달할 수 있는 잔여 연결 방식을 도입하여 정보 저하를 완화할 수 있는 방안 마련
-
-
- (활용) batteryNET은 배터리 구성 요소의 변경에 따른 일련의 측정값을 예측, 생성하여 미래의 배터리 설계에 대한 통찰력과 미지의 데이터 기반의 계산 모델을 제공
[시사점]
- 전기자동차에 사용 중인 리튬이온 배터리는 비싼 가격과 낮은 충전 밀도, 화재위험성 등의 단점으로 인해 전고체 배터리와 같은 차세대 배터리가 각광받기 시작
- 현재 전고체 배터리의 충·방전 과정에서 음극 표면에 형성되는 덴드라이트 결정이 리튬의 이동(음극↔양극)을 방해해 배터리 성능을 저하시키고, 분리막을 훼손시켜 배터리 수명과 안전성을 떨어뜨리는 문제가 대두
- 이에 로렌스 버클리 국립연구소 연구팀은 batteryNET 알고리즘을 개발하여, 전극 표면의 덴드라이트 침전물 예측과 배터리의 성능평가 방법을 제시
[출처]
- NERSC, Using Deep Learning to Assess Lithium Metal Battery Performance, 2023.7.14.
