์ผ | ์ | ํ | ์ | ๋ชฉ | ๊ธ | ํ |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | ||
6 | 7 | 8 | 9 | 10 | 11 | 12 |
13 | 14 | 15 | 16 | 17 | 18 | 19 |
20 | 21 | 22 | 23 | 24 | 25 | 26 |
27 | 28 | 29 | 30 | 31 |
- Machine learning
- Linear Regression
- ๊ตํํ์
- set add
- ๋์23์ด
- electrochemical models
- anaconda ๊ฐ์ํ๊ฒฝ
- Python
- ์ฒญ์ถ ํ์ดํ
- m1 anaconda ์ค์น
- special method
- Andrew ng
- ํน๋ณ ๋ฉ์๋
- ๋ฏธ๋์์ ํด์ธ๊ตํ
- ์๊ทน์ฌ
- ์ ๋ฝ
- ๋ฅ๋ฌ๋
- li-ion
- ์ค์คํธ๋ฆฌ์
- ์ด์ฐจ์ ์ง
- set method
- ์ ๋ฝ ๊ตํํ์
- ์ ํํ๊ท
- ๋ฏธ๋์์ ์ฅํ์
- gradient descent
- fluent python
- Deeplearning
- fatigue fracture
- cost function
- 2022๋
- Today
- Total
๋ชฉ๋ก๐ ์ด์ฐจ ์ ์ง (14)
Done is Better Than Perfect

์ด๋ฒ ๊ธ์์๋ ๋ฐฐํฐ๋ฆฌ ์ฑ๋ฅ์ ๊ฒฐ์ ์ง๋ ํต์ฌ์ธ ์๊ทน์ฌ์ ๋ํด ์์ธํ ์์๋ณด๋๋ก ํ๊ฒ ๋ค. ์๊ทน์ฌ๋ ๋ฐฐํฐ๋ฆฌ์ ์ฑ๋ฅ, ์๋ช , ์์ ์ฑ, ๋น์ฉ์ ์ง์ ์ ์ธ ์ํฅ์ ๋ฏธ์น๋ฏ๋ก, ๋ฐฐํฐ๋ฆฌ์์ ์ ์ผ ์ค์ํ ์์ฌ๋ผ๊ณ ํ ์ ์๋ค. 1๏ธโฃ ์๊ทน ์์ฌ์ ์ญํ ์๊ทน ์์ฌ๋ ์ถฉ์ ๊ณผ ๋ฐฉ์ ๊ณผ์ ์์ ๋ค์๊ณผ ๊ฐ์ ๊ธฐ๋ฅ์ ์ํํ๋ค.๋ฐฉ์ ์: ๋ฆฌํฌ ์ด์จ์ด ์๊ทน์์ ์๊ทน์ผ๋ก ์ด๋ํ๊ณ , ์ ์๋ ์ธ๋ถ ํ๋ก๋ฅผ ํตํด ํ๋ฅด๋ฉด์ ์ ๋ฅ๋ฅผ ์์ฑํ๋ค.์ถฉ์ ์: ์ธ๋ถ ์ ์์ ํ์ผ๋ก ๋ฆฌํฌ ์ด์จ์ด ์๊ทน์์ ์๊ทน์ผ๋ก ์ด๋ํ๋ฉฐ, ์ ์๋ ์ธ๋ถ ํ๋ก๋ฅผ ํตํด ์๊ทน์ผ๋ก ์ด๋ํ์ฌ ์๋์ง๋ฅผ ์ ์ฅํ๋ค.์๊ทน ์์ฌ๋ ๋์ ์ ์๊ณผ ์ฉ๋์ ์ ๊ณตํด์ผ ํ๋ฉฐ, ๋ฐฐํฐ๋ฆฌ ์ ์ฒด ์ฑ๋ฅ์ ํฐ ์ํฅ์ ๋ฏธ์น๋ค. 2๏ธโฃ ์ฃผ์ ์๊ทน ์์ฌ์ ํน์ง์ผ๋ฐ์ ์ผ๋ก ๋ฆฌํฌ ๊ธ์ ์ฐํ๋ฌผ์ ๊ธฐ๋ฐ์ผ๋ก ํ๋ฉฐ, ๋ํ์ ์ธ ์๊ทน..

๋ฆฌํฌ ์ด์จ ๋ฐฐํฐ๋ฆฌ์ BMS๋ฅผ ์ฐ๊ตฌํ๋ค ๋ณด๋ ๋ฐฐํฐ๋ฆฌ ๊ธฐ์ด ๊ณต๋ถ์ ์ํํ๋ค๋ ์๊ฐ์ด ๋ค์๋ค.๊ทธ๋์ ์ค์ค๋ก ๊ณต๋ถ ๋ด์ฉ์ ๊ธฐ๋กํ ๊ฒธ ๋ฆฌํฌ ์ด์จ ๋ฐฐํฐ๋ฆฌ์ ๊ธฐ๋ณธ์ ์ธ ๋ด์ฉ, ์ฆ ๊ตฌ์ฑ ์์, ์์ฌ, ๊ณต์ ๋ฑ์ ์ ๋ฆฌํด๋ณด๋ ค๊ณ ํ๋ค. ์ฐ์ ์ด๋ฒ ๊ธ์์๋ ๋ฐฐํฐ๋ฆฌ์ 4๋ ๊ตฌ์ฑ์์๋ผ๊ณ ๋ถ๋ฆฌ๋ ์๊ทน(Cathode), ์๊ทน(Anode), ์ ํด์ง(Electrolyte), ๋ถ๋ฆฌ๋ง(Separator)์ ๋ํด ๋จผ์ ์์๋ณด์! 1๏ธโฃ ์๊ทน (Anode)์๊ทน์ ์ ์๋ฅผ ๊ณต๊ธํ๋ ์ ๊ทน์ผ๋ก, ๋ฐฐํฐ๋ฆฌ์ ์ ์๊ณผ ์ฉ๋ ๋ฑ ์ฑ๋ฅ์ ์ข์ฐํ๋ฉฐ ์ ์ง์ ํน์ฑ์ ๊ฒฐ์ ํ๋ค. ์๊ทน์๋ ์์ ์ ์๊ฐ ํ๋ถํ ๊ธ์์ด๋ ํ์ฐ(Graphite)์ด ์ฃผ๋ก ์ฌ์ฉ๋๋ค. ๊ธ์์ ๊ฒฝ์ฐ ์ต์ธ๊ฐ ์ ์๊ฐ ์์ ์ ์๋ก ์กด์ฌํด ์ ์์ ํ๋ฆ์ ์ฝ๊ฒ ์ ๊ณตํ๋ค. ๐ ์๊ทน ์์ฌ ์์์ผ๋ฐ ์ ์ง: ์์ฐ(..

๐ ๋ฆฌํฌ ์ด์จ ๋ฐฐํฐ๋ฆฌ๋ ์ฐ๋ฆฌ๊ฐ ํํ ์ฌ์ฉํ๋ ์ค๋งํธํฐ, ์ ๊ธฐ์ฐจ, ์๋์ง ์ ์ฅ ์ฅ์น(ESS)๊น์ง ์๋ง์ ๋ถ์ผ์ ์ฐ์ด๋ ํต์ฌ ๊ธฐ์ ์ ๋๋ค.์ด๋ฌํ ๋ฐฐํฐ๋ฆฌ๋ ๋จ์ํ ๋ฆฌํฌ ์ด์จ์ด ์๋ค ๊ฐ๋ค ํ๋ ์ฅ์น๊ฐ ์๋๋ผ, ์ฌ์ค ๋งค์ฐ ๋ณต์กํ ์ด์ญํ์ (Thermodynamics) ๋ฐ ๋์ญํ์ (Kinetics) ๊ณผ์ ์ผ๋ก ์๋ํฉ๋๋ค. ์ด๋ฒ ๊ธ์์๋ ๋ฆฌํฌ ์ด์จ ๋ฐฐํฐ๋ฆฌ์ dynamics๋ฅผ ๊ตฌ์ฑํ๋ ๋ ์ถ์ธ ์ด์ญํ(Thermodynamics)๊ณผ ๋์ญํ(Kinetics)์ ๋ํด ์๊ฐํ๊ณ , ํนํ Kinetics ์ค ์ ํ ์ ๋ฌ(Charge Transfer) ๊ณผ์ ์ ์์์ ์ผ๋ก ์ค๋ช ํด์ฃผ๋ Butler-Volmer ์์๊น์ง ์ฐจ๊ทผ์ฐจ๊ทผ ํ์ด๋ณด๊ฒ ์ต๋๋ค. ์ ๋ฆฌํ์๋ฉด, "๋ฆฌํฌ ์ด์จ ๋ฐฐํฐ๋ฆฌ์ dynamics"๋ ์๋์ ๊ตฌ์ฑ์์๋ก ์ด๋ฃจ์ด์ง๋๋ค.Thermod..

๋ฐฐํฐ๋ฆฌ๋ฅผ ํ๊ดดํ์ง ์๊ณ ๋ฐฐํฐ๋ฆฌ ๋ฌผ์ฑ์ ์ดํดํ ์ ์๋ ๊ธฐ๋ฒ์๋ GITT, PITT, EIS, OCV, CV, dQ/dV ๋ฑ์ด ์์ต๋๋ค. ์ด ๊ธ์ GITT(Galvanostatic Intermittent Titration Technique)๋ฅผ ๊ณต๋ถํ๋ฉด์ ์ ๋ฆฌํ ๋ด์ฉ์ผ๋ก GITT์ ์คํ ์๋ฆฌ๋ถํฐ, GITT๋ก ์ ์ ์๋ ๋ฐฐํฐ๋ฆฌ ์ํ ์ ๋ณด, ์์ ์ด(two-phase) ์์คํ ์์์ GITT์ ํ๊ณ์ ๊ทธ ๋ณด์ ๋ฐฉ๋ฒ์ ์์๋ณด๊ฒ ์ต๋๋ค. ๐ ๐ ๋ชฉ์ฐจGITT๋ ๋ฌด์์ธ๊ฐ?GITT ์คํ ์๋ฆฌGITT๋ก ์ ์ ์๋ ๋ฐฐํฐ๋ฆฌ ์ํ ์ ๋ณดGITT vs PITT: ์ด๋ค ์ํฉ์์ ๋ฌด์์ ์ธ๊น?One-phase vs Two-phase ๋ฐ์์์์ GITT ํด์ ์ฐจ์ดTwo-phase ๋ฐ์์์ GITT ์๊ณก ํ์๊ณผ ๋ณด์ ๋ฐฉ๋ฒ 1. GI..

๐ฉ ๋ฐฐํฐ๋ฆฌ์์ Stoichiometry(ํํ์๋ก )๋?๋ฐฐํฐ๋ฆฌ์ ์๋ช ๊ณผ ์ฑ๋ฅ์ ์๊ฐ์ด ์ง๋จ์ ๋ฐ๋ผ ์ ์ง์ ์ผ๋ก ์ ํ๋ฉ๋๋ค.์ด๋ฅผ ๋ฐฐํฐ๋ฆฌ ์ดํ(degradation)๋ผ๊ณ ํ๋ฉฐ, ์ดํ๊ฐ ์งํ๋๋ฉด์ ๋ฐฐํฐ๋ฆฌ ๋ด๋ถ์ ๋ค์ํ ์ ๊ธฐํํ์ ํน์ฑ์ด ๋ณํํ๊ฒ ๋ฉ๋๋ค.ํนํ, ๋ฐฐํฐ๋ฆฌ์ ์ฃผ์ ๊ตฌ์ฑ ์์์ธ ์๊ทน๊ณผ ์๊ทน ๋ด ๋ฆฌํฌ ์ด์จ ๋๋์ ๋ณํ(์ฆ, Stoichiometry)๋ ์ดํ ๊ณผ์ ์์ ์ค์ํ ์ญํ ์ ํฉ๋๋ค. Stoichiometry(ํํ์๋ก )๋ ์ผ๋ฐ์ ์ผ๋ก ํํ ๋ฐ์์์ ๋ฐ์๋ฌผ๊ณผ ์์ฑ๋ฌผ ์ฌ์ด์ ์ ๋์ ๊ด๊ณ๋ฅผ ๋ค๋ฃจ๋ ๊ฐ๋ ์ด์ง๋ง, ๋ฐฐํฐ๋ฆฌ์์๋ ์ ๊ทน(์๊ทน·์๊ทน) ๋ด ๋ฆฌํฌ ์ด์จ ๋๋์ ์ ๋์ ๋น์จ์ ์๋ฏธํฉ๋๋ค.์ถฉ·๋ฐฉ์ ๊ณผ์ ์์ ์ ๊ทน ๋ด ๋ฆฌํฌ ๋๋๊ฐ ๋ณํ๋ฉฐ, ์ด๋ฌํ Stoichiometry ๋ณํ๋ ๋ฐฐํฐ๋ฆฌ์ ์ ์ ํน์ฑ, ํ์ฐ ์๋, ๊ทธ๋ฆฌ๊ณ ..
๋ฐฐํฐ๋ฆฌ์ ์ดํ์ ๋ฏธ์น๋ ํ๋ผ๋ฏธํฐ๋ค์ ์ํฅ์ ์์๋ณด๊ธฐ ์ํด, ๋ฐฐํฐ๋ฆฌ ์๋ฎฌ๋ ์ด์ ๋ผ์ด๋ธ๋ฌ๋ฆฌ์ธ PyBaMM์ ๊ธฐ๋ณธ ๋ด์ฅ๋์ด ์๋ parameter set์ ๋ถ๋ฌ์ ์ดํ์ ์์(์: Li-plating, LAM, SEI ๋ฑ)์ ์ํฅ์ ๋ฏธ์น๋ ํ๋ผ๋ฏธํฐ๋ค์ ๋ถ๋ฅํด๋ณด์์ต๋๋ค. ๐ฉ PyBaMM ๋ผ์ด๋ธ๋ฌ๋ฆฌ์ ํ๋ผ๋ฏธํฐ ์ ์ฅ OKane2022 parameter set์ ๋ถ๋ฌ์ ๊ฐ์ ํ์ธํ๊ธฐ ์ํ์ฌ Excel ํ์ผ๋ก ์ ์ฅํ์์ต๋๋ค.OKane202 parameter๋ LG M50 cell(NMC)์ ๋์์ผ๋ก ํ ํ๋ผ๋ฏธํฐ๋ก, ๋ ผ๋ฌธ O'Kane et al [1]์์ Chen et al [2]๋ฅผ ๊ธฐ๋ฐ์ผ๋ก ์์ฑ๋์์ต๋๋ค. (์ถ์ฒ: PyBAMM) ํ์๋ NMC ์ ํ๋ผ๋ฏธํฐ ์ ์ ๋ํ ์ ๋ณด๋ฅผ ํ์ ํ๊ณ ์ OKane2022 paramet..

๐ MSCC-DRL: Multi-Stage constant current based on deep reinforcement learning for fast charging of lithium ion batteryJournal of Energy Storage, 2024 ์ ๊ธฐ์ฐจ(EV) ์์ฅ์ ๊ธ์ฑ์ฅ๊ณผ ํจ๊ป ๊ทนํ ๊ธ์ ์ถฉ์ (Extreme Fast Charging, XFC)์ ๋ํ ํ์์ฑ์ด ์ ์ ๋ ์ปค์ง๊ณ ์์ต๋๋ค. ํนํ, ๋ฐฐํฐ๋ฆฌ๋ฅผ 10~15๋ถ ๋ด์ 80% SOC(State of Charge)๊น์ง ์ถฉ์ ํ๋ ๊ฒ์ด ์ ๊ณ์ ์ฃผ์ ๋ชฉํ๋ก ์ค์ ๋๊ณ ์์ต๋๋ค. ํ์ง๋ง ๊ธ์ ์ถฉ์ ์ ์งํํ ๊ฒฝ์ฐ, ๋ฐฐํฐ๋ฆฌ ๋ด๋ถ ์ํ๊ฐ ๊ธ๊ฒฉํ๊ฒ ๋ณ๋ํ๋ฉด์ ๋ฐฐํฐ๋ฆฌ์ ์ดํ๋ ๋น ๋ฅด๊ฒ ์งํ๋ ์ ์์ต๋๋ค. ๋ฐ๋ผ์, ๋ฐฐํฐ๋ฆฌ์ ์ดํ๋ฅผ ์ต์ํํ๋ฉด์๋ ๋น ..

๐ Electrochemical–mechanical coupled model for computationally efficient prediction of long-term capacity fade of lithium-ion batteriesJournal : Journal of Energy Storage ‘24 (IF 8.9) [ summary ]์ ์ ๋ชจ๋ธ : ISIF model, SVD-ISIF modelAging์ ์ํฅ์ ์ฃผ๋ mechanical fatigue fracture of cathode particles ๋ชจ๋ธ๋งISIF ( inhomogeneous stress-induced fracture)Electrochemical–mechanical coupled capacity fade modelKne..

๋ค์์ 24๋ ๋ 2ํ๊ธฐ ๋ฐฐํฐ๋ฆฌ ๊ฐ์๋ฅผ ๋ค์ผ๋ฉฐ ์์ฑํ ๋ ํฌํธ์ด๋ค. Li-ion ๋ฐฐํฐ๋ฆฌ์ electrochemical model ์ค DFN, SPMe, SPM์ ์ค์ ์ ์ผ๋ก ๊ฐ ๋ชจ๋ธ์ ์์์ ๋ํด ์์ ํ์์ผ๋ฉฐ, ๊ฐ ๋ชจ๋ธ์ computational cost์ accuracy์ trade-off ๋ฅผ ์ค์ ์ ์ผ๋ก ์กฐ์ฌํ์๋ค. Abstract๋ณธ ๋ณด๊ณ ์๋ ๋ฆฌํฌ์ด์จ ๋ฐฐํฐ๋ฆฌ์ electrochemical ๋ชจ๋ธ์์ ์ค์ํ ์ญํ ์ ํ๋ DFN(Doyle-Fuller-Newman)๊ณผ DFN์ simplified model์ธ SPMe(Single Particle Model with Electrolyte), SPM(Single Particle Model)์์ ์ฌ์ฉ๋๋ ์ฃผ์ ๊ฐ๋ ๊ณผ ํน์ฑ์ ์ค์ฌ์ผ๋ก ์์ ํฉ๋๋ค. ํนํ DFN, SP..

Capacity Estimation of Lithium-Ion Batteries for Various Aging States Through Knowledge TransferJournal : IEEE Transactions on Transportation Electrification ‘21 (IF 7.2)17 citations [ summary ]electrochemical knowledge๋ฅผ ํ์ตํ๋ inverted bottleneck network(IBN)์ ๊ธฐ๋ฐ์ผ๋ก ๋ฆฌํฌ ์ด์จ ๋ฐฐํฐ๋ฆฌ์ aging states์ ๋ํ ์๋ก์ด capacity estimation ๋ฐฉ์ ์ ์๋ฌผ๋ฆฌ์ ์ผ๋ก ๊ฐ๋ฅํ ํ๋ผ๋ฏธํฐ ์กฐํฉ์ ๋ํด sythetic data ์์ฑ (๋ฐฐํฐ๋ฆฌ์ ํน์ฑ ์ ๋ณด๋ฅผ knowledge transfer) → AE..