리튬이온 배터리 상태 추정을 위한 전이 학습 기반 물리정보 신경망

한줄 요약

리튬이온 배터리의 SPMe 모델 해석을 위해 전이 학습을 적용한 PINN 프레임워크를 제안하여 학습 효율성과 일반화 성능을 향상시켰다.

풀어야 하는 문제

배터리 전기화학 모델(SPMe)은 비선형 편미분방정식으로 구성되어 있어 기존 수치 해석법은 계산 비용이 높다. PINN은 이를 효과적으로 풀 수 있지만, 새로운 배터리 화학이나 조건에 대해 매번 처음부터 학습시키면 수렴이 느리고 비효율적이다.

접근 방법

SPMe의 물리 법칙(확산, 수송, 반응 등)을 손실 함수에 포함시킨 PINN을 설계했다. 먼저 다양한 전기화학 역학 데이터로 모델을 사전 학습한 후, 목표 배터리 데이터에 대해 가중치를 전이하고 특정 층을 동결한 상태에서 나머지 파라미터를 미세 조정하는 전이 학습 프레임워크를 구현했다.

결과·기여

PyBaMM을 이용한 검증에서 제안된 방법이 기존 PINN 대비 학습 시간을 크게 줄이면서도 전압 예측의 높은 정확도와 전기화학적 일관성을 유지함을 보여주었다. 이를 통해 다양한 배터리 조건에 대한 효율적인 일반화가 가능해졌다.