[논문 리뷰] Parameterising continuum level Li-ion battery models & the LiionDB database

Ange Wang, Simon E. J. O’Kane외 10명|arXiv (Cornell University)|2021. 10. 19.

Advanced Battery Technologies Research참고 문헌 210인용 수 4

한 줄 요약

이 논문은 연속체 수준의 리튬이온 배터리 모델인 Doyle–Fuller–Newman (DFN) 모델에 대한 파라미터화 방법에 대한 종합적인 리뷰를 제시한다. 이는 세포 스케일 전기화학적 거동을 시뮬레이션하는 데 널리 사용되는 프레임워크이다. 연구는 실험적으로 유도된 파라미터와 그 메타데이터를 집계하는 검색 가능한 오픈 액세스 데이터베이스인 LiionDB를 소개하여 다양한 배터리 화학 조합과 설계에서 일관되고 재현 가능하며 물리적으로 정확한 모델 校정을 가능하게 한다.

ABSTRACT

The Doyle-Fuller-Newman framework is the most popular physics-based continuum-level description of the chemical and dynamical internal processes within operating lithium-ion-battery cells. With sufficient flexibility to model a wide range of battery designs and chemistries, the framework provides an effective balance between detail, needed to capture key microscopic mechanisms, and simplicity, needed to solve the governing equations at a relatively modest computational expense. Nevertheless, implementation requires values of numerous model parameters, whose ranges of applicability, estimation, and validation pose challenges. This article provides a critical review of the methods to measure or infer parameters for use within the isothermal DFN framework, discusses their advantages or disadvantages, and clarifies limitations attached to their practical application. Accompanying this discussion we provide a searchable database, available at www.liiondb.com, which aggregates many parameters and state functions for the standard Doyle-Fuller-Newman model that have been reported in the literature.

연구 동기 및 목표

• 등온 DFN 모델에서 정확하고 일관된 파라미터화의 핵심 과제를 해결함으로써 신뢰할 수 있는 배터리 시뮬레이션을 보장하고자 한다.
• DFN 파라미터를 추출하는 데 사용되는 기존의 실험적 및 피팅 기법에서의 가정, 한계 및 방법론적 일관성 문제를 규명하고 명확히 하고자 한다.
• LiionDB (www.liiondb.com)를 중심화된 커뮤니티 주도의 저장소로 정립하여 전체 기록과 메타데이터를 포함한 DFN 모델 파라미터를 제공하고자 한다.
• 파라미터 추정 과정에서의 오차 전파 위험과 식별 가능성 문제를 부각시켜 모델의 강건성을 향상시키고자 한다.
• 실험 조건과 모델 가정에 기반하여 적절한 파라미터를 선택할 수 있도록 연구자들을 안내함으로써 배터리 설계 및 분석에서 예측 정확도를 향상시키고자 한다.

제안 방법

• 고체 상태 확산도, 이온 전도도, 전극 다공도 등의 DFN 모델 파라미터를 추론하는 데 사용된 실험적 및 피팅 방법에 대한 체계적 리뷰. 이는 전기화학적 임피던스 분석, 일정 전류 간헐적 티트레이션, 그리고 미세구조 측정을 포함한다.
• 기본 키 및 외부 키 관계를 갖는 구조화된 관계형 데이터베이스 스키마(LiionDB)를 개발하여 파라미터, 관련 논문, 재료, 측정 방법을 저장한다.
• 입력 범위 및 온도 범위, 열적 스케일링, 메모 등 메타데이터를 통합하여 파라미터 사용 시 맥락 인식이 가능하도록 보장한다.
• 비차원화 기법을 적용하여 파라미터의 식별 가능성 평가 및 특정 실험에서 신뢰할 수 있게 추출할 수 있는 파라미터를 파악한다.
• 다층 데이터 모델을 활용하여 파라미터를 출처 논문, 재료, 실험 방법과 연결함으로써 추적 가능성과 상호 비교를 가능하게 한다.
• 커뮤니티 기여, 검색, 필터링을 허용하는 웹 기반 인터페이스(www.liiondb.com)를 구현한다.

실험 결과

연구 질문

• RQ1 고체 상태 확산도, 이온 전도도, 전극 다공도와 같은 DFN 모델 파라미터를 측정하거나 유추하는 데 가장 신뢰도 있고 일관성 있는 방법은 무엇인가?
• RQ2 전극 기하학적 형태나 입자 형태와 같은 실험 기법의 가정이 추정된 파라미터의 정확도와 이식 가능성에 어떤 영향을 미치는가?
• RQ3 전기화학적으로 활성 표면적과 같은 보조 측정 오차가 DFN 모델의 최종 파라미터 추정치에 얼마나 전파되는가?
• RQ4 중앙집중형으로 총괄된 데이터베이스는 연구 커뮤니티 전반에서 배터리 모델 파라미터화의 재현 가능성과 일관성을 얼마나 향상시킬 수 있는가?
• RQ5 특정 실험 설정에서 DFN 프레임워크의 어떤 파라미터들이 식별 가능한가? 그리고 이를 어떻게 효율적인 모델 校정을 안내하는 데 활용할 수 있는가?

주요 결과

• DFN 모델은 물리적 정밀도와 계산 효율성의 균형을 잘 유지하고 있어 세포 수준의 배터리 시뮬레이션에 강력하고 널리 사용되는 프레임워크로 남아 있다.
• 많은 DFN 파라미터는 방법에 따라 크게 달라지며, 입자 기하학적 형태나 전극 적재 조건과 같은 실험적 가정에 따라 그 값이 크게 달라질 수 있다.
• LiionDB 데이터베이스는 출처 논문, 재료 유형, 측정 방법, 운영 범위를 포함한 전체 기록이 보장된 DFN 파라미터의 정제된 컬렉션을 보유하고 있다.
• 오차 전파 문제는 심각한 우려 사항이며, 특히 전극 표면적과 같은 보조 추정치에 의존하는 고체 상태 확산도와 같은 파라미터에서 두드러진다.
• 비차원화 기법을 통해 단일 실험에서 모든 DFN 파라미터가 식별 가능한 것은 아님을 밝혀내었으며, 이는 다중 방법에 기반한 校정 전략의 필요성을 강조한다.
• LiionDB에 대한 커뮤니티 기여를 장려하며, 향후 데이터베이스의 포괄성과 유용성이 향상될 것으로 기대된다.