논문 전문 : https://www.sciencedirect.com/science/article/abs/pii/S0378775321010259
[출처] Renato G. Nascimento, Matteo Corbetta, Chetan S. Kulkarni, Felipe A.C. Viana,Hybrid physics-informed neural networks for lithium-ion battery modeling and prognosis,Journal of Power SourcesVolume 513,2021,230526,ISSN 0378-7753,https://doi.org/10.1016/j.jpowsour.2021.230526.
※ The picture and content of this article are from the original paper.
[논문 요약]
Hybrid physics-informed nueral networks for lithium-ion
battery modeling and prognosis
최근 딥러닝과 물리모델의 결합에 관해 연구를 진행하고 있는데, 마침 찾게된 논문입니다.
본디 PINNs라는것은 물리모델과 딥러닝을 결합하는것으로, 나온지는 꽤나 된 연구입니다만, 배터리에 직접적으로 활용하는 논문은 최근들어 많이 연구되고 있는듯합니다.
본 논문은 1D-oriented Electrochemical Model에 RNN을 섞어서 연구를 진행하고 있지만, 저는 이것 조차 조금 복잡하다 생각하여 더욱 Light한 방식의 모델을 진행하고있습니다.
Contents
위 이미지는 이 논문의 alpha to omega 입니다.
원래 RNN(Recurrent Neural Network) Cell의 내부는 tanh만으로 hidden state를 output으로 하도록 설계되어 있는데요,
tanh를 기준으로 학습되는 파라미터들은 모두 Black Box 입니다. 즉, 모두 trainable parameter인 대신에 학습이 완료되고나서 왜 그런값이 나온지는 알기쉽지 않다는 것이죠.
하지만, 본 논문은 RNN Cell 내부에 상기와 같이 1D-Electrochemical Model의 물리수식을 끼워넣어, 대부분의 항은 물리적으로 결정 되도록 하되, 몇가지 파라미터들은 ANN으로두어 학습하도록 했습니다.
그림이 복잡해보이지만, 본 논문에서 Trainable Parameter로 쓰는것은 양극의 Polarization Voltage, 음극의 Polarization Voltage 두가지 입니다. (R0, qmax도 학습하나, 초기에는 model parameter로 사용)
논문에서 제안하는 모델의 입력데이터는 전류입니다.
전기화학모델 내부에 Butler Volmer나 Nerst와 같이 몇가지 수식을 통해 발열 혹은 전기화학적 반응을 연산하는것은 있지만, 직접적으로 모델의 입력에 전압/온도/SOC와 같은 데이터는 넣어주지 않기때문에, 제 기준에서는 강건성이 떨어진다고 보입니다. (연구로서의 가치에 집중)
논문에서 학습하는 출력데이터는 전압입니다. 즉, 전류에 대해 전압변화특성을 학습하는데, RNN 구조를 차용하나, RNN Cell 내부는 대부분 전기화학적 수식으로 정리되어있고 분극성분에 해당하는 2개 파라미터만 작은 MLP를 통해 학습하도록 하는 구조입니다.
이를 통해, 저자가 하고자 하는것은 전압 예측을 통한 EOD(End of Discharge) Time과 SOH입니다.
충방전 혼합 패턴을 인가하고, 전압 거동이 어떻게 바뀌고 추정을 잘하는지 보며, 부족한 부분은 추가적인 연구를 통해 채워나갑니다.
위 그림의 (c)와 같이, 학습시킨 모델만으로는 빨간색처럼 따라갔는데, 적절한 qmax, r0를 선정한 결과 더욱 잘따라갔다고합니다. 이를 통해, 결과적으로 전압을 예측할 수 있으니, 하한전압에 도달할때까지의 시간(EOD Time)을 계산하고, qmax/r0도 학습하여 SOH를 추정해냅니다.
Results
배터리 PINN 모델 중, 아주 깔끔하게 잘 정리된 논문입니다.
단, Introduction에 오타가있는데 UAM을 위해 300kW/kg가 필요하다고 되어있는 부분은 오타입니다. 300Wh/kg입니다.
그리고, EV나 ESS가 아니라 UAM을 목적으로 한다는게 인상적이였습니다.
말은, UAM을 목표로한다고하나 NASA Prognosis Open Data로 검증을한건 아이러니긴 하지만요..
배터리 PINNs에 관심있으시면, 한번쯤 보시기 좋은 논문이라 생각합니다.
참조
[1] Renato G. Nascimento, Matteo Corbetta, Chetan S. Kulkarni, Felipe A.C. Viana,Hybrid physics-informed neural networks for lithium-ion battery modeling and prognosis,Journal of Power SourcesVolume 513,2021,230526,ISSN 0378-7753,https://doi.org/10.1016/j.jpowsour.2021.230526.
댓글