⚡ 전기공학

CFD-informed machine learning for surface-temperature mapping of side-cooled 4680 lithium-ion cells under thermal uncertainty

본 연구는 열적 불확실성 조건 하의 측면 냉각 방식 4680 리튬 이온 셀에 대한 75회의 CFD 시뮬레이션을 통해 학습된 계산 효율적인 머신러닝 대리 모델을 개발하여, 제한된 센서 데이터로부터 전체 표면 온도장을 정확하게 재구성함으로써 CNN-LSTM 및 SVM 모델이 축 방향 위치를 주요 온도 예측 인자로 식별하며 높은 예측 정확도(R² ≈ 0.98)를 달성함을 입증하였다.

원저자: Aydin Ulus, Ihsan Uluocak, Wajih Nazim Kamal, Kyosung Choo, Young Jik Youn

게시일 2026-11-04

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Aydin Ulus, Ihsan Uluocak, Wajih Nazim Kamal, Kyosung Choo, Young Jik Youn

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

현대 세계를 움직이는 전기 자동차 내부의 핵심은 수천 개의 원통형 셀로 구성된 배터리 팩입니다. 이 중에서도 4680이라 불리는 특정 대형 포맷은 기존 설계보다 단일 유닛당 더 많은 에너지를 제공하며 고성능 차량의 표준이 되었습니다. 그러나 이 크기는 숨겨진 과제인 '열'을 동반합니다. 배터리를 통해 전류가 흐르면 열이 발생하는데, 이 열이 고르게 배출되지 않으면 셀이 더 빨리 퇴화하거나 심지어 안전 문제가 발생할 수 있습니다. 문제는 배터리의 가장 뜨거운 부분이 종종 금속 케이스 아래 깊숙한 곳에 숨겨져 있다는 점이며, 센서는 오직 외부 표면의 온도만을 측정할 수 있다는 것입니다. 배터리의 내부 구조는 복잡하고 열이 이동하는 방식이 완벽하게 알려져 있지 않기 때문에, 엔지니어들은 표면 온도만 보고 내부 핵심부가 정확히 얼마나 뜨거워지는지 예측하는 데 어려움을 겪습니다.

이 퍼즐을 풀기 위해 연구진은 컴퓨터 시뮬레이션과 인공지능의 결합에 주목했습니다. 연구진은 전기 자동차에서 흔히 쓰이는 설계 방식인, 측면을 따라 냉각되는 단일 4680 셀에 집중했습니다. 연구진은 두 가지 특정 요인이 배터리의 냉각 성능에 불확실성을 유발한다는 점을 알고 있었습니다. 하나는 내부 나선형 층이 열을 외부로 전달하는 능력이고, 다른 하나는 배터리 케이스와 냉각 하드웨어 사이의 접촉 품질입니다. 이러한 값들은 배터리마다 다를 수 있기 때문에, 단순히 표면 온도를 측정하는 것만으로는 전체적인 열적 상태를 파악하기에 충분하지 않은 경우가 많습니다. 연구팀은 몇 가지 표면 온도 측정값을 바탕으로, 테스트된 특정 조건 범위 내에서 배터리 외각의 표면 온도장을 재구성할 수 있는 디지털 도구를 구축하고자 했습니다.

연구진은 먼저 컴퓨터 내부에 배터리 셀의 매우 상세한 3차원 모델을 생성했습니다. 이 모델은 실제 하드웨어로는 수행하기 어렵거나 불가능한 실험을 수행할 수 있는 가상 실험실 역할을 했습니다. 연구진은 내부에서 발생하는 에너지는 일정하고 측면에 일정한 냉각 온도가 적용되는 정상 상태(steady conditions) 조건에서 셀을 통한 열의 흐름을 시뮬레이션했습니다. 불확실성에 시스템이 어떻게 반응하는지 테스트하기 위해, 연구진은 75가지의 서로 다른 시뮬레이션을 실행했습니다. 각 실행 시마다 배터리 내부의 열전도 능력과 배터리와 냉각기 사이의 간극 두께를 미세하게 변경했습니다. 모든 시뮬레이션마다 금속 케이스 외부의 25개 특정 지점에서의 온도를 기록했습니다. 이 과정은 특정 내부 특성과 특정 표면 수치를 연결하는 약 2,000개의 뚜렷한 온도 스냅샷을 포함하는 방대한 데이터 라이브러리를 생성했습니다.

이 라이브러리를 확보한 후, 연구팀은 빠르고 지능적인 번역기 역할을 할 세 가지 유형의 머신러닝 알고리즘을 훈련시켰습니다. 이 알고리즘들은 입력 변수(배터리의 위치, 내부 열전도율, 접촉 간극)와 결과적인 표면 온도 사이의 관계를 학습하는 임무를 맡았습니다. 목표는 무거운 컴퓨터 시뮬레이션을 매번 실행할 필요 없이 온도장을 즉각적으로 예측할 수 있는 가벼운 소프트웨어 도구인 '대리 모델(surrogate model)'을 만드는 것이었습니다. 연구진은 데이터의 일부를 숨긴 채 알고리즘이 보지 못한 지점의 온도를 올바르게 추측할 수 있는지 확인하며 이 도구들을 테스트했습니다.

결과는 두 가지 머신러닝 접근 방식이 놀라운 정밀도로 성능을 보였음을 나타냈습니다. 패턴을 인식하도록 설계된 신경망과 시퀀스를 기억하는 시스템을 결합한 한 가지 방법, 그리고 데이터에 대한 최적의 수학적 적합성을 찾는 데 기반을 둔 또 다른 방법 모두 결정 계수(R²)가 거의 0.98에 달했습니다. 이들의 예측 오차는 평균적으로 섭씨 0.25도 미만이었습니다. 이러한 수준의 정확도는 이 도구가 테스트된 조건 범위 내에서 배터리 표면의 온도 지도를 신뢰성 있게 재현할 수 있음을 의미합니다. 반면, 보다 표준적인 유형의 세 번째 신경망은 미세한 세부 사항을 포착하는 데 어려움을 겪으며 훨씬 크고 일관성 없는 오차를 생성했습니다.

또한 본 연구는 온도 예측 시 어떤 요인이 가장 중요한지를 밝혀냈습니다. 가장 강력한 예측 인자는 단순히 배터리의 수직 위치였습니다. 냉각 접촉 방식 때문에 상단에서 하단으로 갈수록 온도가 크게 변하기 때문입니다. 원통형 주변의 수평 위치가 두 번째로 중요한 요인이었습니다. 놀랍게도 연구팀이 테스트한 특정 조건 범위 내에서는, 내부 열전도율과 접촉 간극의 정확한 값이 센서의 물리적 위치보다 표면 온도에 미치는 영향이 훨씬 작았습니다. 이는 이 특정 냉각 설정의 경우, 내부 재료의 미세한 변화보다 배터리의 어느 위치에 있는지를 아는 것이 온도에 대해 더 많은 것을 알려준다는 점을 시사합니다.

연구진은 가장 성능이 좋은 모델을 사용하여, 별도의 데이터 포인트로 시뮬레이션되지는 않았지만 테스트 범위 내에 존재하는 특정 조건에 대한 온도장을 시각화하는 과정을 시연했습니다. 새로운 내부 특성 조합을 모델에 입력하자, 모델은 배터리 표면의 온도가 어디에 집중되고 어디에서 소산되는지를 보여주는 매끄럽고 연속적인 지도를 생성했습니다. 이 시각화는 모델이 학습한 데이터 포인트들 사이의 간극을 메우는 보간(interpolation)을 수행하여, 해당 파라미터 조합에 대한 일관된 열적 거동의 그림을 만들어낼 수 있음을 확인시켜 주었습니다.

이 연구는 이러한 대형 배터리의 열적 상태를 이해할 수 있는 실용적이고 계산 비용이 적은 방법을 제공합니다. 검증된 물리 모델과 머신러닝을 결합함으로써, 연구진은 내부 특성을 완벽하게 알지 못하더라도 조사된 정상 상태 영역 내에서는 표면 온도 분포를 빠르게 추정할 수 있는 시스템을 구축했습니다. 현재 이 도구는 정상 상태 조건에 국한되어 있으며 전력 변화나 노화에 따른 급격한 변화는 아직 반영하지 못하지만, 미래의 열 관리 시스템을 위한 견고한 토대를 제공합니다. 이는 적절한 데이터와 알고리즘이 있다면, 표면을 관찰하는 것만으로도 배터리 내부의 보이지 않는 열 패턴을 볼 수 있으며, 이러한 능력이 전기 자동차의 안전과 효율성을 유지하는 데 필수적임을 입증합니다.

기술 요약: 측면 냉각 방식 4680 리튬 이온 셀의 표면 온도 매핑을 위한 CFD 기반 머신러닝

문제 정의
대형 4680 리튬 이온 셀은 열 모니터링 측면에서 상당한 과제를 안겨준다. 표면 온도 측정만으로는 내부 열 상태를 완전히 특성화하기 어려운데, 특히 제리롤(jelly roll)에서 캔 표면까지 열이 이동해야 하는 반경 방향 거리가 매우 크기 때문이다. 더욱이 반경 방향 제리롤 전도율 및 셀-냉각기 계면 저항과 같은 핵심 열전달 특성은 불확실하며 가변적이다. 기존 문헌들이 셀 구조와 냉각 토폴로지의 중요성을 입증해 왔으나, 대부분의 분석은 고정되거나 보정된 열적 특성에 의존한다. 반대로, 내부 온도 추정을 위한 데이터 기반 방법들은 다양한 열적 특성의 동시 변화를 충분히 다루지 못한 채 특정 파라미터화나 운전 조건에 집중하는 경tend가 있다. 본 연구는 반경 방향 제리롤 전도율과 계면 저항이 동시에 변할 때, 측면 냉각되는 4680 셀의 외부 캔 표면 온도장을 재구성하는 공백을 메우고자 한다.

연구 방법론
본 연구는 검증된 3차원 정상 상태 전산유체역학(CFD) 모델과 머신러닝(ML) 대리 모델(surrogates)을 결합한 하이브리드 프레임워크를 채택한다.

CFD 모델링: ANSYS Fluent를 사용하여 측면 냉각 방식의 Tesla 4680 Gen2 셀에 대한 3D 정상 상태 열 모델을 개발하였다. 기하학적 구조는 알루미늄 측면 냉각기가 70mm 축 높이에 대해 60° 원주 방향 섹터를 덮고 있는 실험적으로 검증된 구성을 따른다. 제리롤은 이방성 고체로 모델링되었으며, 축 방향 및 원주 방향 전도율( $k_{\theta} = k_z = 23.1$ W m⁻¹ K⁻¹)은 고정하고 반경 방향 전도율( $k_r$ )은 가변적으로 설정하였다. 셀 캔과 냉각기 사이의 계면은 등가 박막 열 저항으로 표현된다.
실험 설계: 두 가지 파라미터를 변화시켜 구조화된 데이터셋을 생성하였다: 반경 방향 제리ol 전도율( $k_r$ , 15개 단계, 0.90–2.00 W m⁻¹ K⁻¹)과 등가 계면 두께( $t_{int}$ , 5개 단계, 0.40–0.60 mm). 6.0W의 고정 열 입력과 25°C 냉각 경계 조건을 포함한 다른 모든 조건은 일정하게 유지되었다. 이를 통해 총 75개의 독립적인 정상 상태 CFD 케이스가 생성되었다.
데이터 생성: 각 CFD 케이스로부터 25개의 고정된 위치(축 방향 및 원주 방향의 5×5 그리드)에서 온도를 추출하여 총 1,875개의 공간 샘플을 확보하였다.
머신러닝 프레임워크: 포인트 단위 데이터 분할(5-겹 교차 검증) 및 z-점수 정규화를 사용하여 세 가지 회귀 모델을 학습시켰다:
1. CNN-LSTM: 25개의 표면 위치를 하나의 시퀀스로 취급하는 하이브리드 모델.
2. 서포트 벡터 회귀(SVM): 커널 기반의 비신경망 비교 모델.
3. 다층 퍼셉트론(MLP): 완전 연결 신경망 베이스라인.
  하이퍼파라미터는 베이지안 최적화를 통해 최적화되었다.

주요 결과

CFD 검증: 베이스라인 CFD 모델은 세 가지 기 발표된 검증 온도를 최대 절대 오차 0.196°C 이내로 재현하였다. 격자 수렴도 분석 결과, 가장 미세한 두 격자 간의 차이는 0.01% 미만임을 확인하였다.
모델 성능: 홀드아웃(held-out) 테스트 서브셋에서 CNN-LSTM과 SVM 모델은 거의 동일한 높은 정확도를 보였다:
- CNN-LSTM: $R^2 = 0.981$ , RMSE = 0.238°C.
- SVM: $R^2 = 0.980$ , RMSE = 0.245°C.
- MLP: $R^2 = 0.817$ , RMSE = 0.685°C로 현저히 낮은 성능을 보였으며, 더 넓은 오차 산포와 큰 이상치를 나타냈다.
특성 중요도: 섭동 분석(Perturbation analysis) 결과, 축 방향 위치( $z$ )가 표면 온도의 지배적인 예측 인자로 나타났으며(섭동 시 RMSE 약 1.8°C 증가), 그 다음으로 원주 방향 위치( $x$ )와 반경 방향 전도율( $k_r$ )이 뒤를 이었다. 계면 저항( $t_{int}$ )의 영향은 테스트된 범위 내에서는 상대적으로 작았다.
대리 모델 재구성: 학습된 대리 모델은 보간된 파라미터 조합( $k_r = 1.35$ W m⁻¹ K⁻¹, $t_{int} = 0.52$ mm)에 대해 캔 표면 온도장을 성공적으로 재구성하였으며, 측면 냉각의 물리적 제약에 부합하는 매끄러운 축 방향 및 원주 방향 구배를 시각화하였다.

의의 및 주장
본 논문은 개발된 CFD 기반 ML 프레임워크가 조사된 정상 상태 파라미터 범위 내에서 열 민감도 분석 및 표면 온도 재구성을 위한 계산 비용이 적은 기초를 제공한다고 주장한다. 본 연구는 머신러닝 대리 모델이 공간 좌표와 열적 특성 사이의 복잡한 매핑을 효과적으로 학습하여 표면 온도장을 예측할 수 있음을 입증한다.

그러나 저자들은 결과의 일반화 가능성에 대해 신중한 범위를 유지한다. 저자들은 보고된 성능 지표가 완전히 새로운 열적 연산자(thermal operators)나 동적 운전 조건에 대한 독립적인 일반화가 아니라, 시뮬레이션된 설계 공간 내에서 홀드아웃된 공간 샘플의 보간 성능을 정량화한 것임을 명시적으로 밝히고 있다. 모델은 고정된 열 부하와 냉각 경계를 가진 정상 상태 동작으로 제한되며, 과도 상태 저장, 열화 효과 또는 열 폭주를 고려하지 않는다. 따라서 저자들은 이 모델들을 보지 못한 열적 연산자나 다른 운전 조건으로 확장하기 전에는 추가적인 케이스별 검증이 필요하다고 결론짓는다. 본 연구의 주요 기여는 측면 냉각 방식의 4680 셀에 대해 반경 방향 전도율과 계면 저항의 변화에 따른 표면 온도의 결합된 응답을 포착하는 대리 모델링 접근법을 입증한 데 있다.

유사한 논문