전극 코팅·슬러리 분산 공정의 물리적 모델링과 품질 균일화 기술

서론 ― 전극 코팅 균일화는 배터리 성능의 절반을 결정한다

이차전지(secondary battery) 산업이 고에너지밀도, 고수명, 저비용을 향해 진화하는 과정에서,
그 중심에는 전극 제조 공정의 정밀 제어(precision control) 라는 과제가 자리한다.
전극은 배터리 내부에서 리튬이온이 출입하는 가장 중요한 반응층으로,
그 미세한 구조 균일성이 셀의 용량, 저항, 사이클 수명, 안전성에 직접적인 영향을 미친다.

전극 제조에서 가장 앞단에 위치하는 슬러리 분산(Slurry Dispersion) 과
코팅(Coating) 공정은 단순한 ‘페인트칠’이 아니라
미세 입자의 물리적 상호작용, 점탄성 유동, 용매 증발, 고체 입자 간 결착 구조 형성 등
복잡한 다물리(multiphysics) 현상이 얽혀 있는 고난이도 공정이다.

그러나 현실의 배터리 제조 현장에서는 여전히
경험적 파라미터 튜닝과 실험적 피드백에 의존하는 경우가 많다.
이는 공정 이해 부족으로 인한 품질 불균일, 불량률 증가, 수율 저하로 이어진다.
이를 극복하기 위해 최근 전 세계 연구기관과 제조사는
물리 기반 시뮬레이션(Physics-based Modeling) 과
데이터 기반 제어(Data-driven Optimization) 를 결합한
공정 디지털 트윈(Digital Twin for Electrode Manufacturing) 기술을 적극 도입하고 있다.

본 글에서는
① 슬러리 분산 공정의 물리적 현상과 모델링 원리,
② 코팅 공정의 유변학적 거동과 두께 균일성 예측,
③ 건조 단계에서의 용매 증발 모델과 기공 구조 형성 메커니즘,
④ 품질 균일화 기술 및 실시간 제어 시스템,
⑤ 산업 응용과 향후 자율 공정으로의 확장 방향
을 다섯 개의 큰 흐름으로 나누어
배터리 전극 제조의 ‘물리적 균일화’ 기술을 심층적으로 살펴본다.

 

---

슬러리 분산 공정의 물리적 기초와 모델링 구조

(1) 슬러리의 구성 요소와 복합 거동

전극 슬러리는 활물질(active material), 도전재(conductive additive), 바인더(binder), 용매(solvent) 로 구성된다.
양극의 경우 LiNiₓMnᵧCo_zO₂(NCM), LiFePO₄(LFP) 등이 활물질로 사용되고,
음극은 주로 흑연, 실리콘계 복합재가 쓰인다.
이 입자들은 미세하게 분산되어 점탄성(viscoelastic) 유동을 보이며,
입자 간 전기적·기계적 네트워크가 형성된다.

분산 품질은 단순히 입자 크기 분포뿐 아니라
입자-바인더 상호작용, 전단 응력(shear stress)에 따른 응집 해체,
분산제의 흡착 거동에 의해 좌우된다.
예를 들어, 활물질 입자 크기가 10μm에서 5μm로 줄어들면
입자 표면적 증가에 따라 바인더 농도를 15~20% 조정해야
균일한 점도 유지가 가능하다.
이러한 상호작용을 정량적으로 예측하기 위해선
DLVO 이론(Derjaguin–Landau–Verwey–Overbeek theory) 을 활용한
입자 간 인력(반데르발스)과 반발력(전기이중층)의 균형 해석이 필요하다.

---

(2) 유변학적 모델링과 시뮬레이션 접근법

슬러리의 유동 특성은 전형적인 비뉴턴 유체(Non-Newtonian Fluid) 로서,
전단 속도(shear rate)에 따라 점도가 변화한다.
이를 표현하는 대표적 모델은 Herschel–Bulkley 모델 또는 Carreau–Yasuda 모델이다.

식으로 표현하면,

τ=τy+K(γ˙)nτ=τy​+K(γ˙​)n

여기서
τ는 전단응력, τ_y는 항복응력, K는 점도계수, n은 유동지수이다.
이 모델을 기반으로 CFD(Computational Fluid Dynamics) 시뮬레이션을 수행하면,
믹서 내부의 유속 분포, 입자 충돌 빈도, 응집체 크기 변화를 정량적으로 예측할 수 있다.

실제 산업 적용에서는 COMSOL Multiphysics, ANSYS Fluent, OpenFOAM 등이 활용된다.
특히, 복잡한 임펠러 구조(dual-blade, anchor type 등)에서
슬러리의 전단 영역(high shear zone)과 정체 영역(dead zone)을 시각화해
믹서 구조 최적화에 활용된다.

---

(3) 입자 분산 균일성 지표

슬러리 균일성은 흔히 PSD(Particle Size Distribution), zeta potential, viscosity index 로 평가한다.
최근에는 이를 물리적으로 예측하기 위해
다중 입자 동역학(Multi-particle Dynamics) 모델과
PIV(Particle Image Velocimetry) 기반 유동 계측을 결합하는 사례가 늘고 있다.

예를 들어,
전단 속도 100 s⁻¹ 조건에서 입자 평균 직경 D₅₀ = 4.2 μm,
전단 속도를 200 s⁻¹로 높이면 D₅₀ = 3.1 μm로 감소하며 균일도는 향상된다.
이때 점도 변화율 η_r = 0.85 수준을 넘으면
과도한 응집 파괴로 오히려 전극 코팅성 저하를 유발한다.
따라서 슬러리 분산 공정은 단순한 ‘섞기’가 아닌,
입자 안정성–유동성–결착성의 균형 제어 문제로 접근해야 한다.

---

전극 코팅 공정의 유동 해석과 두께 균일화 모델

(1) 코팅 방법과 유동 특성

전극 코팅에는 Slot-die coating, Comma bar coating, Gravure coating, Doctor blade coating 등이 사용된다.
이 중 슬롯다이(Slot-die) 방식은 균일한 두께 제어에 유리해
리튬이온전지 생산의 표준으로 자리 잡았다.

슬롯다이 공정에서의 주요 변수는
슬러리 점도(η), 코팅 속도(U), 다이 갭(G), 유량(Q), 기판 속도(V)이다.
이 변수들은 다음의 Capillary number (Ca = ηU/γ) 와 Reynolds number (Re = ρUG/η) 로 표현된다.
Ca가 높을수록 점성력이 표면장력보다 우세해
두께 균일도가 높아지지만, 과도하면 리브 패턴이 생긴다.

CFD 모델은 다상 유동 방정식(Navier–Stokes equation)과
Young–Laplace 경계 조건을 이용하여
슬러리의 유동장, 압력 분포, 표면 안정성을 계산한다.

---

(2) 필름 두께 균일성 예측 모델

슬롯다이 코팅의 두께 t는 다음 근사식으로 표현할 수 있다.

t=QWVt=WVQ​

여기서 Q는 유량, W는 폭, V는 기판 속도이다.
하지만 실제로는 점도 변화, 용매 증발, 다이 내 압력 손실이 복합적으로 작용한다.
이를 정밀하게 예측하기 위해
다중 스케일 모델링(multiscale modeling) 이 사용된다.

• 미시적 수준: 입자 분산 및 유동 패턴
• 중간 수준: 다이 내부 압력 분포
• 거시적 수준: 기판 표면의 코팅 두께

세 수준을 연계하면, 실험 없이도 두께 편차(±2~3 μm)를 예측할 수 있다.
또한 AI 모델이 CFD 시뮬레이션 결과를 학습하여
실시간 조건(온도, 속도, 점도)에 따른 최적 Q/V 비율을 제안하는
‘지능형 공정 제어(Adaptive Coating Control)’로 발전하고 있다.

---

(3) 공정 불균일 원인과 제어 전략

코팅 불균일은 주로 다음 원인에서 발생한다.

1. 슬러리 점도 불안정 → 유량 변동 → 스트릭(streak) 형성
2. 다이 립(lip) 압력 불균일 → 두께 편차
3. 기판 진동 및 속도 편차 → 막 패턴 발생
4. 용매 증발 불균일 → 농도 구배 형성

이를 제어하기 위해 실시간 센서(Viscometer, Pressure gauge, Infrared sensor) 데이터를
디지털 트윈 모델에 입력해
피드백 제어 루프(Feedback loop) 를 구성한다.
예를 들어, 점도 편차 5% 이상 발생 시
펌프 속도를 3% 조정하고,
라인 속도를 2% 감소시키는 자동 보정이 가능하다.

---

건조 공정과 전극 내부 미세구조 형성 모델

(1) 용매 증발 모델링

코팅 후 건조 단계에서는 용매(예: NMP, Water)의 증발 속도와
입자 이동이 전극의 기공 구조를 결정한다.
건조 모델은 대류열전달 방정식과 확산 방정식을 결합해 다음과 같이 표현된다.

∂C∂t=D∇2C−v⋅∇C∂t∂C​=D∇2C−v⋅∇C

여기서 C는 용매 농도, D는 확산계수, v는 대류 속도이다.

증발률이 너무 빠르면 표면이 먼저 경화되어
내부 용매가 갇히는 ‘Skin effect’가 발생하고,
너무 느리면 생산성이 저하된다.
디지털 트윈 모델은 온도, 유량, 습도 조건을 변경하며
최적 건조 프로파일을 도출한다.

---

(2) 입자 재배열과 기공 구조 형성

건조 중에는 입자 간 모세관력(capillary force)과
용매 흐름에 따른 입자 재배열(particle rearrangement) 이 일어난다.
이로 인해 전극의 기공률(porosity) 과 두께 수축률(thickness shrinkage) 이 결정된다.

입자 간 응집력 F_c는 Young–Laplace 방정식으로

Fc=2πrγcos⁡θFc​=2πrγcosθ

(γ: 표면장력, r: 입자 반경, θ: 접촉각)
으로 표현된다.
입자 크기가 작을수록, 접촉각이 작을수록 응집력이 커져
기공률이 낮아진다.

이를 수치적으로 계산하기 위해 DEM(Discrete Element Method) 모델과
CFD를 결합한 CFD-DEM 하이브리드 시뮬레이션이 사용된다.
건조 온도 130℃, 공기 속도 2 m/s 조건에서
기공률은 35%, 150℃에서는 30%로 감소하는 것이 계산된다.
이 차이는 전지의 이온 전도성에 직접 영향을 준다.

---

(3) 전극 밀도 균일화 기술

건조 공정 후 압연 단계에서 전극 밀도 편차를 최소화하려면
입자 배열이 균일해야 한다.
이를 위해 Gradient Drying 기술이 사용된다.
즉, 초기에 저온(100~120℃)으로 증발률을 낮추고,
후반부에 고온(150~180℃)으로 전환해
입자가 점진적으로 안정적으로 배열되도록 한다.

또한, 적외선(IR)·열중량 분석(TGA)을 통해
슬러리 내 잔류 용매량을 실시간 측정하고
공정 조건을 자동 보정하는 폐루프 제어 시스템이 구축되고 있다.

---

품질 균일화 및 실시간 제어 기술

(1) 품질 균일도의 정의

전극의 품질 균일도는 두께 편차, 기공률 분포, 밀도 균일성, 전도도 균일성 등으로 평가된다.
통상적으로 두께 편차 ±3 μm 이내, 밀도 편차 ±1% 이내가 목표 기준이다.

이를 달성하기 위해선
① 정량적 물리 모델링,
② 실시간 센서 데이터 수집,
③ 피드백 제어,
④ AI 기반 예측 제어가 결합되어야 한다.

---

(2) 센서-시뮬레이션 융합 구조

최근의 스마트 배터리 제조 라인은
Viscometer, Rheometer, Laser thickness gauge, IR camera 등
다양한 센서에서 실시간 데이터를 수집한다.
이 데이터를 디지털 트윈 모델의 입력으로 활용하여
공정 상태를 동적으로 예측한다.

예를 들어, IR 센서가 건조 영역의 온도 편차를 10℃ 감지하면
시뮬레이션 모델은 그 편차가 두께에 ±2.5 μm 영향을 미친다고 예측하고
제어 시스템이 히터 출력을 자동 보정한다.

---

(3) AI 기반 예측 제어

딥러닝(LSTM, Transformer 기반) 모델은
시계열 공정 데이터를 학습해
공정 이상 상태를 사전에 탐지한다.
예를 들어, 코팅 두께 편차가 발생하기 30초 전에
점도·온도·유량 패턴의 이상 변화를 감지해
불량 발생을 억제할 수 있다.

또한 강화학습(Reinforcement Learning) 기반 알고리즘을 통해
AI가 실시간으로 공정 파라미터를 조정하며
‘스스로 최적 조건을 찾아가는 자율 공정(Self-optimizing process)’으로 발전하고 있다.

---

산업 적용 및 미래 전망 ― 디지털 물리 융합 제조로의 진화

전극 코팅과 슬러리 분산 공정은
배터리 제조 수율과 품질 변동성의 70% 이상을 결정하는 핵심 구간이다.
따라서 전 세계 주요 기업들은 이 영역의
디지털 트윈 및 고정밀 제어 기술을 적극 도입 중이다.

• LG에너지솔루션: 전극 코팅 디지털 트윈 시스템 구축, 두께 편차 ±2μm 달성
• CATL: AI 기반 점도 자동 제어 알고리즘으로 불량률 30% 감소
• SK온: CFD–AI 융합 시뮬레이션을 통한 건조 효율 15% 향상
• Tesla/Panasonic: Vision AI 기반 코팅 결함 자동 검출 시스템 운영

향후 발전 방향은 다음과 같다.

1. Full Digital Twin Integration:
   슬러리 → 코팅 → 건조 → 압연 전 단계를 통합한 공정-제품 연계 모델 구축
2. Hybrid Modeling:
   물리 모델과 머신러닝 모델의 결합으로,
   실험 없이도 품질 지표를 실시간 예측
3. Sustainable Manufacturing:
   에너지 소비량과 탄소 배출량을
   공정 시뮬레이션 상에서 최적화하여
   친환경 제조 체계로 전환
4. 자율 공정화(Self-driving Factory):
   AI가 공정 조건을 실시간으로 조정하고
   시뮬레이션 피드백을 통해 스스로 학습하는
   ‘완전 자율형 공정’ 구현

결국, 전극 코팅·슬러리 분산 공정의 물리적 모델링은
단순한 시뮬레이션 기술이 아니라,
배터리 산업의 생산성·품질·지속가능성을 결정짓는
핵심 기술 인프라로 자리 잡을 것이다.