Q&A：リチウムイオン電池設計を前進させ10分急速充電を実現

アイダホ国立研究所のタンヴィル・タニム博士と彼のチームが、路傍充電ステーションで10〜15分で充電できるリチウムイオン電池を設計しました。これらの条件下で発生し得る望ましくないリチウム析出を検出する機械学習アルゴリズムを開発しました。

Tech Briefs: プロジェクトはどう始まりましたか？

タンヴィル・タニム博士： 2017年、エネルギー省車両技術局スポンサーの極限急速充電（XFC）プログラムに参加しました。目標はリチウムイオン電池での極限急速充電（XFC）実現、つまり10〜15分充電で、EV充電体験をガソリン車の給油体験と同等にすることです。これはEV消費者の主要検討事項の一つです。

そのプログラムで、極めて高いレートで多くのリチウムイオン電池をテストしました。高レート充電では多くの問題に直面します。リチウム析出は主要なものの一つです。電池には有限量のリチウムしかないため、充放電で失われず、陽極と陰極の間を往来してほしいのです。しかし急速充電では、循環可能なリチウムが陽極表面に析出し、望ましくない寄生反応になります。析出したリチウムは回収不能で、放電時に陰極へ戻れません。

析出には他の問題もあります。早期に検出しなければ継続し、大惨事を招く可能性があります。例えば析出Liが枝晶（デンドライト）形態を取り、陽極から針のように成長してセパレーターを貫通し、内部短絡を起こすことがあります。

そのため多くのリチウムイオン電池をテストし、設計変更して再テストし、リチウム析出が起きているか確認していました。当時、しかし、析出を検出する良い方法がありませんでした。テスト後セルを破壊開封して析出があるか見るか、追加のポストテストをするしかありませんでした。電気化学的シグネチャーベースの確実なリチウム析出検出法はなかったものの、多くを学んでいました。

その後、DOE資金の別プログラム「物理ベース機械学習」に参加しました。目標はAI/機械学習ベースアルゴリズムで信頼性のある電池寿命予測と劣化根本原因特定を開発することでした。その時点で大量データを収集し、さまざまな劣化モードとメカニズムへの包括的理解を得ていました。これだけのデータがあり、リチウム析出に関連する電気化学的シグネチャーもわかっているなら、それを機械学習問題として定式化してみようと考えました。電気化学的シグネチャーを用い、機械学習を導入し、リチウム析出検出戦略が見つかるか試みました。

一つのことが別のことを導き、早期にセルを開封せずにリチウム析出を検出する非常に良い方法になり得ると結論付けました。セルを開封しポストテストするのは時間がかかり、コスト高で、電池ライフサイクル開発を遅らせます。

Tech Briefs: では、特定の電気化学的シグネチャーを検出する手法だったのですね？

タニム： その時点で大量の電気化学データがあり、その背後にある物理をよく理解していました。リチウム析出に関連付けられる主要な電気化学的シグネチャーを特定しました。そのデータで機械学習を走らせ、当時定式化した問題を解きました。

Tech Briefs: 具体的にどんなデータを使ったか教えていただけますか？

タニム： 主に電気化学データに焦点を当てました。テスト中常に電気化学的シグネチャーを見てリチウムイオン電池の寿命と性能問題を記述するため、容易に収集できます。典型的シグネチャーは電圧、電流、温度などです。これらをさまざまな二次変数に変換できます。例えば放電容量と容量フェード傾向、それらの線形性・非線形性。また充電終了時休止電圧、放電終了電圧とそれらのサイクル変化、さらにクーロン効率も見ました。

Tech Briefs: 放電容量とは何ですか？

タニム： 電池を使ってエネルギーを取り出すのが放電です。容量の測定単位の一つはアンペア時です。

Tech Briefs: 容量フェードは？

タニム： 新品電池には一定容量があります。例えば1アンペア時。サイクルとともに容量は減少します。容量（またはエネルギー）フェードは減少率です。通常ケースでは減少傾向はかなり線形的、特に初期サイクルでは。しかしリチウム析出があると、傾向は非常に非線形になります。最初は高いフェード率、後でフェードが少なくなります。

リチウム析出はさまざまな条件で起こり得ます。急速充電に加え、零下温度での充電、電池の経年劣化に伴う不均衡問題でも発生します。シグネチャーがそれらすべての析出条件で等しく敏感とは限りません。そこで急速充電で最も感度の高いシグネチャーを特定し、機械学習アルゴリズム開発に用いました。

Tech Briefs: 使ったシグネチャーは？

タニム： 急速充電で最も感度が高かったのは、セル容量フェード傾向の線形性・非線形性、充電終了時休止電圧、クーロン効率です。

他者が報告している2つの著名なシグネチャー、dQ/dVとdV/dtは、非常に攻撃的な析出状況でない限り、急速充電条件下ではあまり感度が高くありませんでした。

Tech Briefs: クーロン効率を説明できますか？

タニム： クーロン効率は放電容量を充電容量で割った百分率です。

Tech Briefs: 容量フェードはどう測定しますか？

タニム： テストが必要です。ラボスケールでは電池をサイクルさせるとき、特定サイクルで充電・放電容量を測定できます。電流と時間からアンペア時容量を計算できます。電池が劣化するにつれ同じプロセスを繰り返せば、劣化状態での容量がわかり、そこから新品状態に対するフェード率（容量フェード）を算出できます。

Tech Briefs: 異なる充電プロトコルで実験しましたか？

タニム： リチウム析出を避けるため、電池設計をさまざまに修正できます。材料変更、電極設計変更、電解質など電池設計のいくつかの側面を変えられます。

運用条件や充電プロファイルも変更できます。例えば異なる充電プロトコルを試し、ベースラインと比較できます。定電流/定電圧ではなく、マルチステップや他の充電プロトコルを試せます。温度変更も可能です。

我々のリチウム析出検出法は、設計変更や充電プロトコルに関わらず適用可能です。

Tech Briefs: どう実装されるとお考えですか？

タニム： この手法が貴重な貢献をする2つのシナリオがあります。1つは研究者たちのラボでの利用。与えられた運用条件下でリチウム析出が起きているかどうかをより早く知れます。セルを開封したり他のポストテスト分析をしたりする必要がありません。電気化学的シグネチャーだけで、この特定設計と運用条件でリチウム析出が起きているかがわかります。10〜25サイクル以内で可能です。電池設計を修正すべきか、できるだけ早く知れます。設計を見直し、再テストし、正しい方向へ進んでいるか確認できます。

電気化学的シグネチャーは、いくつかの修正とさらなる検証を経て、電気自動車搭載のバッテリーマネジメントシステムや、リチウムイオン電池を使用する定置用途にも実装可能です。OEMや電池メーカーはすでにこれらのシグネチャーの多くを収集しています。それらをベースラインとして、初期ライフサイクルではなくとも、数年先に、電池は最初は問題なかったが何かが変わり、リチウム析出が始まったとユーザーに警告できます。「リチウム析出が起きているので、電池について何らかの対応をすべき早期警告です。」

Tech Briefs: 商用化時期を推測できますか？

タニム： この件で仮特許を取得し、まもなく本特許を出願予定です。さらなる開発のための協力機会も探しており、民間企業から多くの関心を得ています。DOEにも技術商業化基金があり、他の民間産業と協力してさらに改善し、車載応用で実証できますが、具体的な推測は控えさせていただきます。

このインタビューの編集版は2021年12月号のTech Briefsに掲載されました。