Chemo-Mechanical Interplay Governing Degradation in Solid-State Batteries
Design a Titration Gas Chromatography System for Quantifying Dead Li
Electrolyte Property Prediction Model
Capacity Prediction for Battery Usage Diverse Histories
① 전고체전지 열화 메커니즘 규명
우리 연구실은 전고체전지 내부에서 일어나는 반응을 실시간으로 들여다볼 수 있는 3D-XANES 기반 X-ray 분석 기술을 적용해, 그동안 베일에 싸여 있던 전고체전지의 열화 원인을 규명했다. 연구팀은 충방전 과정에서 전극 입자 내부에 바퀴살(Spoke)과 쐐기(Wedge) 형태의 응력 집중과 구조적 손상이 발생한다는 사실을 밝혀냈다. 이 열화 패턴은 전고체전지의 수명을 크게 좌우하는 핵심 요인으로, 제조 압력과 스택 압력이 반응 균일성에 큰 영향을 미친다는 점도 함께 확인되었다. 이번 성과는 전고체전지 상용화의 가장 큰 걸림돌이던 비균일 반응/응력 기반 열화 문제 해결에 직접적인 길을 제시했다는 점에서 높은 평가를 받고 있다.
② Dead Li 정량 기술 개발 – 리튬금속전지 안전성 평가 혁신
우리 연구실은 리튬금속전지 개발의 가장 큰 난제로 꼽히는 Dead Li(비활성 리튬) 문제를 정량적으로 측정하는 새로운 분석 플랫폼을 구축했다. 연구팀은 리튬이 물과 반응해 수소(H₂)를 방출하는 특성을 활용해, 발생한 수소량을 기반으로 Dead Li의 양을 정확하게 계산하는 방식을 확립했다. 이 기술은 전해질 구성 및 충전 조건에 따른 Li 손실을 정밀하게 분석할 수 있어, 앞으로 차세대 리튬금속전지의 수명과 안정성 평가 표준으로 활용될 잠재력이 크다.
③ 친환경 비불소계 LHCE 전해질 후보군 발굴 – AI 기반 차세대 전해질 설계
전해질 분야에서는 기존 고성능 전해질이 안고 있던 불소계 희석제의 환경성 및 비용 문제를 해결하기 위해, 비불소계 분자만을 모은 2,572개 규모의 대규모 데이터베이스를 구축하고 AI 기반 물성 예측 모델을 개발했다. 연구진은 전해질 설계의 핵심 지표인 MPI와 BF₃ affinity를 높은 정확도로 예측할 수 있는 모델을 구현해 20개의 유망한 전해질 후보군을 선별했다. 이 성과는 차세대 리튬금속전지의 친환경/저비용 전해질 개발을 한 단계 앞당긴 혁신적인 접근으로 평가된다.
④ 사용 이력 없이도 잔존용량 예측 – 배터리 건강도 진단 기술 고도화
배터리 진단 분야에서는 사용 내역이 들쑥날쑥한 배터리라도 일부 전압과 용량 데이터만으로 잔존용량(SoH)과 성능을 예측할 수 있는 머신러닝 모델을 개발했다. 이 기술은 복잡한 전주기(full cycle) 데이터를 요구하던 기존 방식의 한계를 극복했으며, 실제 상용 18650 셀 기반 실험에서 2% 이내 오차로 정확한 용량 예측이 가능함을 입증했다. 재사용 배터리(Reuse), ESS 안전 운영, BMS 고도화 등 산업 전반에서 활용 가치가 높아 주목받고 있다.
