본 논문은 물리 정보 신경망(PINN)과 전이 학습(TL)을 활용한 2단계 모델링 전략을 기반으로, 현장 모델 특성 분석을 위한 새로운 물리적 매개변수 추정 프레임워크를 제시한다. 1단계에서는 단일 입자 모델(SPM) 방정식의 물리적 원리만을 사용하여 PINN을 학습하고, 2단계에서는 대부분의 PINN 매개변수를 고정한 상태에서 중요한 전기화학적 매개변수를 학습 가능하게 설정하고 실제 전압 프로파일 데이터를 사용하여 조정한다. 제안된 접근 방식은 계산 비용을 크게 줄여 배터리 관리 시스템(BMS)에서 실시간 구현에 적합하며, 초기 단계에서 현장 데이터가 필요하지 않으므로 최소한의 설정 요구 사항으로 모델을 쉽게 배포할 수 있다. 제안된 방법론을 통해 작동 데이터를 사용하여 관련 전기화학적 매개변수를 효과적으로 추정할 수 있었으며, 다양한 열화 조건에서 충전 데이터를 사용하여 확산율과 활성 물질 부피 분율을 추정하여 이를 증명하였다. Raspberry Pi 장치에서 표준 충전 프로파일의 데이터를 사용하여 실험적으로 검증하였으며, 82.09%의 공칭 용량을 가진 NMC 셀의 활성 물질 부피 분율을 3.89%의 상대 정확도로 추정하였다.
