기계학습 기법을 적용하여 금속리튬 전지의 수명예측 모델을 구축하려고 시도했다. 수명예측 모델을 개발하는 경우, 종래, 물리 기반의 모델이 널리 채용되어 왔다. 이 방법은 배터리 내부의 복잡한 열화 메커니즘을 정확하게 파악한 후 적절한 모델을 구축한다. 금속리튬 전지의 열화 기구는, 리튬이온 전지에 비해 훨씬 복잡하기 때문에, 열화기구의 파악 자체가 곤란하다. 또 다른 접근법은 기계학습을 활용하는 데이터 구동 방식이다. 이 방법은 다수의 배터리 셀의 충방전 측정 데이터에 대해 통계적 분석을 수행하여 배터리 수명을 예측한다. 이러한 기계 학습을 이용한 전지수명 예측기술은, 리튬이온 전지를 대상으로, 최근, 활발하게 연구 개발이 행해지고 있으나, 고에너지 밀도 셀의 개발이 곤란한 금속리튬 전지에 대해서는, 기계학습을 이용한 전지 수명 예측 기술의 개발이 진행되고 있지 않았다.
연구팀은 지금까지 확립해 온 높은 전지 제작 기술을 이용하여 금속리튬 음극과 Hi-Ni계 양극(NMC811)으로 구성된 고에너지 밀도의 금속리튬 전지(4cm×3cm, 단층 셀)를 50개 셀 이상 제작해, 그 충방전 성능을 평가했다. 얻어진 일련의 충방전 데이터로부터, 35종류의 특징량을 추출해, 전지의 수명을 예측하는 모델을 구축했다. 이번에 취득한 특징량은 (1)방전 프로세스와 관련된 특징량, (2)충전 프로세스와 관련된 특징량, (3)완화 프로세스와 관련된 특징량의 크게 3가지로 분류할 수 있다. 연구팀은 각각의 특징량을 이용하여 예측 모델을 구축하고 그 예측 정밀도를 비교했다. 그 결과를 그림 1에 나타내었다. 여기서, 결정 계수 R2 의 값이 클수록, 높은 예측 정밀도를 갖는 모델이라고 할 수 있다. 방전 프로세스와 관련된 특징량으로 구축한 예측 모델이 R2 =0.67로 가장 높았으며, 충전, 완화 프로세스와 관련된 특징량으로 구축한 예측 모델은 각각 R2 = 0.39 , 0.28이 되었다(그림 1). 이상의 결과로부터, 방전 프로세스에 관련된 특징량을 채용하는 것이, 예측 정밀도가 높은 모델을 구축하는데 효과적임을 나타냈다.
