기계 학습을 활용한 소듐 이온 배터리용 Co-free 및 저변형 양극 소재의 발견

다국어 초록 (Multilingual Abstract)

Machine Learning-Assisted Discovery of Co-free and Low Strain Cathode Materials for Sodium-ion Batteries KIM, MIN-SEON Department of mechanical engineering Graduate School of Soongsil University This study underscores the promise of sodium-ion batteries(SIBs) as viable alternatives to lithium-ion counterparts, emphasizing their cost efficiency and similar insertion mechanisms. Layered transition metal oxides(LTMOs) are highlighted as SIB cathodes, attributed to their high voltages and ease of synthesis. However, O3-type LTMOs encounter phase transitions and performance degradation during the insertion/extraction processes. This study innovates by creating multi-element compounds to enhance performance, utilizing machine learning(ML) and density functional theory(DFT) for evaluating cathode stability and performance. Through data sampling and feature engineering, it enhances model accuracy and introduces a database for identifying stable Co-free cathodes. The research offers solutions for high energy density and reduced structural deformation in SIBs, supported by a ML-based platform for phase transition detection.

국문 초록 (Abstract)

기계 학습을 활용한 소듐 이온 배터리용 Co-free 및 저변형 양극 소재의 발견 김민선 기계공학과 숭실대학교 대학원 본 연구는 소듐 이온 배터리가 비용 측면에서의 효율성과 유사한 삽입 메커니즘을 갖춘 리튬 이온 배터리의 대안으로 유망하다는 점에 주목한 다. 층상 전이 금속 산화물은 높은 전압과 합성 용이성으로 인해 소듐 이온 배터리의 유망한 양극 후보물질이다. 그러나 O3형 층상 전이 금속 산화물은 삽입/추출 과정에서 상전이와 성능 저하를 겪는다. 이 연구에 서는 다양한 원소로 도핑하여 성능을 향상시킬 수 있는 다중 원소 화합 물을 생성하고, 기계 학습과 밀도 이론 함수 기반 계산을 통해 양극의 구조적 안정성과 전기화학적 성능을 평가한다. 데이터 샘플링 기법과 특 성 공학을 활용하여 기본 모델의 정확도를 크게 개선하였으며, 새로운 데이터베이스를 구축하여 후보물질 중 안정적인 Co-free 양극재를 선별 한다. 이 연구는 높은 에너지 밀도와 낮은 구조적 변형성을 모두 만족하 는 최적의 층상 전이 금속 산화물 후보물질을 제안하고 상전이 발생 여 부를 식별할 수 있는 기계 학습 기반 배터리 소재 플랫폼을 제공한다.

목차 (Table of Contents)

• 국문초록 ⅳ
• 영문초록 ⅴ
• 제 1장 서론 1
• 1.1 소듐 이온 배터리의 중요성 1
• 1.2 고성능 및 고안정성을 가진 양극재 개발 1
• 제 2장 본론 6
• 2.1 방법론 6
• 2.1.1 데이터베이스 구축 6
• 2.1.2 DFT 계산 9
• 2.1.3 특성 생성 9
• 2.1.4 기계 학습 10
• 2.2 결과 및 논의 13
• 2.1.1 특성 공학 13
• 2.1.2 데이터 샘플링 15
• 2.1.3 SIBs O3 양극 후보 선별 19
• 제 3장 결론 25
• 참고문헌 27
• 부 록 45