| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 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 |
- Azure
- 코드로 이해하는 딥러닝
- 배터리 연구
- bms
- 딥러닝
- 배터리 딥러닝
- Battery Management System
- Incremental Capacity Analysis
- eis
- 딥러닝 코드
- tensorflow
- 머신러닝
- 리튬배터리
- 배터리 모델링
- Battery SOH
- Deep learning
- 배터리 진단
- 머신러닝 코드
- Battery Deep Learning
- Battery AI
- 코이딥
- Battery modeling
- 배터리 AI
- 배터리 열화
- Machine Learning
- 배터리 EIS
- AzureML
- 텐서플로우
- 칼만필터
- state of health
- Today
- Total
Engineering insight
[Nature Comms-2020] 3D microstructure design of lithium-ion battery electrodes assisted by X-ray nano-computed tomography and modelling 본문
[Nature Comms-2020] 3D microstructure design of lithium-ion battery electrodes assisted by X-ray nano-computed tomography and modelling
Free-Nomad 2026. 5. 13. 23:473D microstructure design of lithium-ion battery electrodes assisted by X-ray nano-computed tomography and modelling
Lu et al., Nature Communications (2020) · DOI: 10.1038/s41467-020-15811-x
5-line dense summary
이 논문은 NMC111 양극의 미세구조를 X-ray nano-CT + DSS(dual-scan superimposition)로 실제 3D 복원한 뒤, 그 구조를 그대로 넣은 physics-based 모델로 성능과 열화 위험을 해석한 매우 좋은 전극 설계 논문입니다.
핵심은 기존처럼 pore와 carbon-binder domain(CBD)을 뭉뚱그려 보면 실제 수송저항과 반응 불균일성을 과소평가하게 된다는 것이고, 저자들은 이를 실제 3상 미세구조 복원으로 해결합니다.그 결과 고율에서는 separator 근처의 입자 크기·기공 크기·국소 tortuosity가 Li+ 이동거리, 전해질 potential drop, charge-transfer current의 불균일성을 지배하며, 이것이 SoL 불균일·국부 발열·열화로 이어짐을 보입니다.
저자들은 이를 바탕으로 separator 근처에 작은 입자 또는 큰 기공을 배치한 graded microstructure가 고율 성능을 가장 크게 개선함을 시뮬레이션으로 제시합니다.
즉 이 논문은 “전극 설계 최적화”를 평균 공극률이 아니라 어느 깊이에 어떤 입자/기공 구조를 둘 것인가의 문제로 바꿔 놓았습니다.
한마디로, 기존에는 DFN모델의 평균화된 1-D Porous Electrode equation으로 처리하던 부분을, 3D Nano 이미지로 복원하고 기반 Geometry위에서 상(Phase) 구간을 Segment(전극활물질/전해질/바인더 도메인,CBD)하여 세밀하게 풀어주는 방식에 관한 논문입니다.
1. 논문이 던지는 질문
- 실제 NMC 양극 미세구조는 얼마나 불균일한가? (평균화해버려도 되는가?)
- 그 불균일성이 SoL, 전해질 농도, 전하이동, 발열 위험을 어떻게 바꾸는가?
- 고율/고출력용 전극은 어디에 어떤 graded structure를 넣어야 하는가?
- calendering이 porosity/tortuosity를 어떻게 바꾸며 제조 기준점은 무엇인가?
2. 핵심 새로움: DSS로 진짜 3상 구조를 복원
이 논문의 가장 큰 novelty는 CBD를 진짜로 분리해서 3D 복원했다는 점입니다. 기존 CT 기반 전극 모델은 CBD와 미세공극을 구분하기 어려워 둘을 한 덩어리 pore-CBD 상처럼 다루는 경우가 많았습니다. 저자들은 고감쇠 NMC와 저감쇠 CBD를 따로 스캔한 뒤 합치는 DSS(dual-scan superimposition)를 제안해, NMC / CBD / pore의 3상 구조를 보다 현실적으로 복원했습니다.
Figure 1 — DSS가 왜 중요한지 보여주는 출발점

원그림 의미: 셀 수준의 layered structure에서 출발해 nano-CT와 SEM으로 cathode 세부구조를 본 뒤, 일반 CT에서는 흐릿하게 섞여 보이는 CBD + micro-pore 영역을 DSS로 재구성해 full microstructure를 만든 과정을 보여줍니다.
이 그림이 중요한 이유는, 뒤의 모든 모델링 결과가 “실제 3상 구조(NCM 활물질, Electrolyte phase & Porous, Carbon-Binder doamin(CBD))를 얼마나 충실히 반영했는가”에 달려 있기 때문입니다. 기존에는 blurry mixed phase를 electrolyte-filled pore처럼 취급하기 쉬웠지만, 그러면 수송 경로와 반응 면적을 잘못 보게 됩니다. DSS는 그 오류를 줄이려는 핵심 장치입니다.
캡션 요약: micro-CT 셀 구조, nano-CT 전극 구조, SEM 기반 CBD morphology, DSS superimposition 결과를 순서대로 제시.
3. 실험 및 모델링 프레임
- 대상: NMC111 cathode
- 영상: micro-CT로 셀 수준 구조, nano-CT로 전극 수준 3D 구조
- DSS: standalone CBD 고해상도 스캔(63 nm voxel) + NMC 포함 스캔 superimposition
- 분석: pore size, particle size, sphericity, orientation, porosity, tortuosity, Bruggeman exponent
- 모델: 3D microstructure-resolved physics-based battery model
- 응용: graded-particle, graded-pore 설계 비교 + in situ calendering nano-CT
4. 미세구조 분석에서 중요한 결과
복원된 NMC 양극은 평균적이고 균질한 다공체가 아니었습니다. 저자들은 실제로 다음을 보여줍니다.
- 입자 크기는 depth 방향으로 넓게 분산되며 대략 2–15 μm 범위에서 흩어집니다.
- 큰 입자가 더 구형이고, 작은 입자는 sphericity 분포가 매우 넓습니다.
- 입자 orientation은 랜덤하지만, transport path는 전혀 랜덤 평균으로 지워지지 않습니다.
- tortuosity factor는 starting plane에서 첫 30 μm 안쪽에서 크게 증가합니다.
- Bruggeman exponent는 약 0.9 → 1.15까지 올라가며, 흔히 쓰는 구형입자 경험값 0.5보다 훨씬 큽니다.
Figure 2 — 불균일성이 실제로 얼마나 큰가

원그림 의미: 3상 segmentation, pore-size map, diffusive flux, individual particle size/shape/orientation, tortuosity, porosity, Bruggeman exponent까지 한 장에 담은 미세구조 진단의 핵심 figure입니다.
여기서 봐야 할 포인트는 세 가지입니다. 첫째, pore size heterogeneity가 local bright flux region과 연결된다는 점. 둘째, particle size와 sphericity가 넓게 흩어져 있어 “동일 구형입자 가정”이 약하다는 점. 셋째, Bruggeman exponent가 0.5가 아니라 거의 1 수준까지 올라가므로, 평균 공극률만 넣는 단순 모델은 고율 수송저항을 과소평가할 수 있다는 점입니다.
5. 성능-미세구조 연결: 무엇이 병목인가
5.1 저율에서는 평균치 모델이 어느 정도 통함 (★기존의 한계)
1.25C에서는 SoL과 Jct가 비교적 균일합니다. 이 구간에서는 volume-averaged tortuosity 접근이 아주 틀리진 않습니다.
5.2 고율에서는 separator 근처 구조가 사실상 승부처
2.5C부터 through-thickness gradient가 보이기 시작하고, 5C에서는 매우 심해집니다. 이유는 반응속도는 빨라졌는데, convoluted pore network가 Li+를 전극 깊숙이 충분히 빨리 공급하지 못하기 때문입니다. 그래서 charge transfer가 separator 근처에 몰리고 current collector 쪽 입자는 충분히 활용되지 못합니다.
5.3 입자 크기 분포가 SoL 불균일을 키움
고율에서 작은 입자와 큰 입자, 입자 core와 surface 사이의 lithiation disparity가 커집니다. 논문은 5C에서 separator 근처 small-vs-large particle 사이에 최대 약 60% SoL variation이 생길 수 있음을 보였습니다. 이것은 단순 용량 손실 문제가 아니라, 장기적으로 stress concentration, cracking, delamination, 국부 열화로 이어질 수 있습니다.
Figure 6 — graded-particle design이 왜 먹히는가

원그림 의미: separator 인접 12 μm 영역에서 입자를 더 잘게 만들어 interfacial reaction area를 늘린 graded-particle 구조와 baseline을 비교합니다.
이 그림에서 핵심은 fine-particle zone을 separator 쪽에 두면 electrolyte concentration 분포가 더 균일해지고, Jct가 덜 뾰족해지며, 결과적으로 discharge capacity와 average voltage가 올라간다는 점입니다. 즉, “입자를 무조건 작게”가 아니라 separator 인접층만 선택적으로 작게 하는 것이 중요합니다.
Figure 7 — graded-pore design: 어디 기공을 키워야 제일 효율적인가

원그림 의미: 기공을 250 nm 확장한 위치를 separator에서 11 μm(R1), 22.5 μm(R2), 34 μm(R3) 떨어진 곳으로 달리해 비교합니다.
결론은 분명합니다. R1, 즉 separator 바로 근처에서 기공을 키운 경우가 가장 성능이 좋습니다. 이건 high-rate 병목이 전극 전체에 고르게 퍼져 있지 않고, separator/electrode interface 근처에서 시작된다는 뜻입니다. 설계 우선순위를 정할 때 굉장히 강한 메시지입니다.
Figure 8 — Ragone plot으로 본 설계 의사결정

원그림 의미: as-prepared, thick electrode, graded particle, graded pore, high porosity 설계를 specific energy–specific power 공간에서 비교합니다.
고출력/하이브리드 쪽이면 graded-pore가 특히 유망하고, 두꺼운 전극은 area loading에는 유리해도 고율에서 knee point 이후 급격히 무너질 수 있습니다. 결국 어떤 응용인지에 따라 “어디에 어떤 공극/입자 구조를 줄지”가 달라집니다.
6. 배터리-AI/모델링 관점에서 특히 중요한 점
- 입력(input): 실제 3D voxelized microstructure, particle size/shape/orientation, pore network, CBD topology
- 출력(output): SoL, Cey, Jct, φp, ηact, accessible capacity, Ragone performance
- feature construction: 단순 평균 porosity가 아니라 local travel distance, τpore, τelectrode, separator distance-dependent descriptors
- 화학적 의미: 이 feature들은 결국 Li+가 어디서 막히고, 어느 입자가 과도하게 먼저 lithiate되며, 어디서 국부 열화가 먼저 생기는지를 뜻합니다.
Figure 9 — calendering은 단순 공극률 감소가 아니다(★)

원그림 의미: incremental calendering 동안 nano-CT로 구조 변화를 직접 추적하고, pore size distribution, mass flux, microstructural parameter, electrochemical performance 변화를 함께 보여줍니다.
이 그림에서 중요한 건 calendering이 단순히 porosity를 줄이는 공정이 아니라는 점입니다. CBD가 눌리고 pore morphology가 바뀌며 flux distribution이 달라집니다. 즉 제조 공정 변화가 곧 수송저항과 고율 성능 변화를 뜻하고, 설계와 제조는 분리된 문제가 아닙니다.
7. 배터리 설계 관점 실무 요약
- 고율 성능 병목은 전극 전체 평균보다 separator 인접부 국소 구조가 더 강하게 지배한다.
- CBD를 뭉뚱그린 단순 2상 가정은 실제 mass transport 저항을 과소평가할 수 있다.
- graded-particle / graded-pore는 “전체를 바꾸는” 설계보다 더 효율적인 고율 최적화 전략일 수 있다.
- 고공극률은 장점이 있지만, 전자전도 경로 connectivity 저하와 trade-off를 같이 봐야 한다.
- calendering은 porosity·tortuosity·reaction heterogeneity를 동시에 건드리므로 제조 최적화의 핵심 레버다.
8. 한계
- NMC111 양극 기준이라 high-Ni, LFP, Si-rich system에 바로 일반화할 수는 없습니다.
- 모델은 매우 정교하지만 여전히 특정 반응/열화 메커니즘은 축약되어 있습니다.
- CT 기반 분해능 한계 때문에 나노스케일 binder/electrolyte wetting detail 전체를 완벽히 담은 것은 아닙니다.
- graded structure의 실제 대량생산성은 별도 공정 검증이 필요합니다.
9. 최종 요약
한 줄 핵심: 이 논문은 전극 성능을 평균 공극률이 아니라 실제 3D 미세구조와 separator 근처의 국소 수송경로로 설명하고, 이를 바탕으로 graded-particle/graded-pore 설계를 제안한 강한 microstructure-design 논문입니다.
Novelty: DSS로 CBD까지 포함한 realistic 3상 미세구조를 복원하고, 이를 image-based 3D physics model과 연결해 구조-성능-제조를 한 프레임에서 해석했습니다.
Practical takeaways: 고율용 전극은 separator 근처 입자를 더 작게 하거나 기공을 더 크게 하는 설계가 유리하고, volume-averaged tortuosity만으로는 고율 성능 예측이 부족합니다.
Main limitation: 특정 NMC111 시스템과 모델링 프레임 기반 결과이므로 다른 화학계/제조라인에는 재검증이 필요합니다.
Evidence links
- Nature article: https://www.nature.com/articles/s41467-020-15811-x
- PDF: https://www.nature.com/articles/s41467-020-15811-x.pdf
- DOI: https://doi.org/10.1038/s41467-020-15811-x
본 논문은, 기존 Pseudo 2-D Modelㅡ이 컨셉에 따라 전극 두께방향(x-axis)에 대해 수식이 전개되며 y-z단면 내부의 복잡한 미세구조는 평균화하여 연산을 했었던 부분에 대해, 평균화를 하지말고 3D로 풀어야 High C-rate 혹은 미세한 반응들에 대한 더욱 정합성있는 결과를 얻을 수 있다는 연구입니다.
