딥러닝 기반 점도 예측 모델의 전고체 배터리 적용성 평가
1. 서론 - 점도 예측은 정밀 제조의 시작이다.
전고체 배터리(All-Solid-State Battery, ASSB)는 고체 전해질을 사용하는 고안전성 전지 기술로서, 실리콘 기반 고용량 음극을 활용함으로써 기존 리튬이온 배터리 대비 월등한 에너지 밀도와 수명을 확보할 수 있다. 하지만 이러한 구조적 이점은 동시에 공정 민감도 증가라는 새로운 도전을 수반한다.
특히 슬러리 점도는 도포 균일도, 전극 압축성, Shell 분산도 등과 직결되며, 이는 곧 싸이클 수명과 수율에 영향을 준다. 그러나 점도는 혼합비, 온도, 교반 속도, 입자농도 등의 다양한 변수에 따라 비선형적이며 시계열적인 특성을 보이므로, 기존의 선형 회귀 방식으로는 예측 정밀도가 낮다.
이 문제를 해결하기 위한 방법으로 딥러닝 모델이 주목받고 있다.
특히 LSTM(Long Short-Term Memory), GRU(Gated Recurrent Unit), CNN-LSTM 하이브리드 등의 딥러닝 구조는 복잡한 시계열 변수 간 관계를 학습하여 점도 예측의 정확도를 획기적으로 향상시킬 수 있다.
본 보고서에서는 전고체 배터리용 슬러리 공정을 대상으로 딥러닝 점도 예측 모델을 설계·학습·검증하고, 실제 점도 편차 제어 및 품질 향상에 미치는 효과를 실험적으로 평가하였다.
2. 실험 설계 개요
표 1. 실험 데이터 구성 및 변수 정보
| 입력 변수 개수 | 12개 (온도, 습도, 회전수, 점도 센서값 등) | 수치형 연속값 |
| 출력 변수 | 점도 (η) | cP (centipoise) |
| 데이터 수 | 총 86,400건 (3초 단위 × 3일 수집) | – |
| 데이터 타입 | 시계열, 로그, 이미지 없음 | csv + DB 저장 |
| 모델 비교 항목 | LSTM, GRU, CNN-LSTM, RF, XGBoost | 회귀형 구조 |
3. 모델 구조 및 학습 조건
표 2. 딥러닝 모델 설계 구조 비교
| LSTM | 2층 LSTM + Dense 1층 | 장기 시계열 변수 학습에 유리 | 학습시간 길고 과적합 위험 존재 |
| GRU | 2층 GRU + BatchNorm + Dense | 학습 속도 빠름, 성능 안정적 | 복잡도 낮을 경우 underfitting 가능 |
| CNN-LSTM | Conv1D → LSTM → Dense | 국소 패턴 감지 + 시계열 장기기억 동시처리 | 하이퍼파라미터 조정 민감 |
| Random Forest | 의사결정 트리 기반 앙상블 모델 | 구현 간단, 속도 빠름 | 시계열 분석 한계 |
| XGBoost | Gradient Boost 기반 회귀 | 변수 영향도 추적 가능 | 다변량 학습에 비선형 특성 약함 |
4. 예측 정확도 실험 결과
표 3. 점도 예측 정확도 비교 (테스트 데이터 기준)
| LSTM | 24.8 | 38.2 | 3.4 | 0.964 |
| GRU | 27.5 | 41.7 | 3.9 | 0.951 |
| CNN-LSTM | 25.3 | 39.0 | 3.6 | 0.961 |
| Random Forest | 38.4 | 54.6 | 6.1 | 0.883 |
| XGBoost | 34.2 | 49.1 | 5.2 | 0.902 |
✅ LSTM 구조가 예측 정확도에서 가장 우수한 성능을 보임
5. 예측 기반 점도 제어 효과 분석
딥러닝 모델을 이용한 예측 점도를 기반으로 보정된 슬러리의 품질을 분석하였다.
표 4. 예측 점도 기반 제어 vs 기존 수동 제어 비교
| 점도 편차 (±cP) | ±112 | ±29 | -74.1 |
| 도포 두께 편차 (μm) | ±9.1 | ±3.6 | -60.4 |
| Shell 농도 불균형 (D90/D10) | 5.2 | 2.3 | -55.7 |
| 폐기 셀 비율 (%) | 6.7 | 2.4 | -64.2 |
☑️ 점도 예측 정확도 향상이 공정 균일도 및 불량률에 직접적 개선 효과 유도
6. 셀 싸이클 수명 변화 분석
딥러닝 예측 기반 점도 제어를 적용한 전극을 사용하여 전고체 셀 싸이클 수명을 비교하였다.
표 5. 셀 싸이클 성능 비교 (100 싸이클 @ 0.1C 기준)
| 초기 용량 (mAh/g) | 2,940 | 2,950 | +0.3% |
| 100 싸이클 후 용량 | 1,768 | 2,198 | +24.3% |
| 용량 유지율 (%) | 60.1 | 74.5 | +14.4% |
| 계면 저항 (Ω·cm²) | 298 | 218 | -26.8% |
📈 예측 기반 제어는 셀 수명과 계면 품질에 장기적 안정성 부여
7. 반응 속도 및 시스템 통합 가능성 평가
표 6. 딥러닝 기반 점도 제어 응답 성능
| 예측 모델 연산 소요 시간 | 280ms | ≤ 500ms | 통과 |
| 점도 보정 시작까지 소요 시간 | 3.2초 | ≤ 5초 | 통과 |
| 전체 제어 사이클 시간 | 7.8초 | ≤ 10초 | 통과 |
✅ 실시간 점도 제어에 충분히 적용 가능 → 생산 라인 통합 운용 적합
8. 투자 대비 효과 분석 (ROI)
표 7. 점도 예측 시스템 도입 ROI (연간 1GWh 기준)
| 시스템 도입비용 | 135,000 USD |
| 연간 불량 셀 감소 효과 | 210,000 USD |
| 셀 수명 향상에 따른 제품 가치 향상 | 95,000 USD |
| 공정 시간/인력 절감 효과 | 48,000 USD |
| 총 절감액/이익 | 353,000 USD |
| ROI (회수 기간) | < 6개월 |
9. 결론 - 딥러닝은 점도 예측의 정답에 가장 가까운 방식이다.
본 실험연구는 딥러닝 기반 점도 예측 모델이 전고체 배터리 슬러리 공정에 얼마나 효과적으로 적용될 수 있는지를 정량적으로 분석하였다. 다음과 같은 결론을 도출할 수 있다.
- LSTM 기반 모델이 가장 높은 점도 예측 성능(MAPE 3.4%, R² 0.96 이상)을 달성하였다.
- 예측 기반 보정 시스템을 적용할 경우, 점도 편차가 70% 이상 감소, 도포 두께·Shell 분산·폐기율 등 모든 품질 지표가 개선되었다.
- 셀 싸이클 수명도 14.4% 이상 향상, 초기 용량 손실 없이 장기 신뢰성 확보에 기여하였다.
- 예측→보정까지 반응 시간이 8초 이내로 실시간 제어에 적합하며, 양산 라인 통합에도 기술적 문제가 없다.
- 연간 ROI는 6개월 이내로 투자 대비 효과성이 매우 높으며, 전고체 셀 생산의 고정밀 제어 인프라로 유망한 솔루션이다.