최근 사회적 문제가 되고 있는 전기차 화재 사고의 주요 원인으로 배터리 과열에 의한 폭발과 열폭주가 지적되면서 사고 예방을 위한 열관리의 중요성이 커지고 있는 가운데 배터리 열관리 시스템에 적용 가능한 인공지능 기법이 한-미 공동연구팀에 의해 개발되었다.

광주과학기술원(GIST, 총장 임기철)은 기계공학부 이승현 교수팀과 성균관대학교 김성민 교수, 미국 퍼듀대학교 이쌈 무다와(Issam Mudawar) 교수 공동연구팀이 열전달 기술 분야의 고질적 문제를 해결한 혁신적인 기계학습 응용 기술을 개발하는 데 성공했다고 밝혔다.

이번 연구 성과로 최초 드라이아웃(dry-out) 발생 시점의 정확한 예측이 가능하여 높은 열유속(heat flux)에서도 과열이나 고장 없이 작동할 수 있는 더욱 신뢰성 있는 열관리 시스템을 설계할 수 있게 되었다.

또한 우주탐사 분야와 같은 극한 환경에서 효율적으로 작동할 수 있는 냉각 시스템의 설계에도 큰 도움이 될 것으로 보인다.

오늘날 전자기기와 항공우주 부품과 같은 고열유속 발열 장치의 발전으로 효과적인 열관리가 필수적인 요소로 자리 잡게 되었다. 냉각 시스템 내 드라이아웃 발생은 열전달 효율을 급격히 저하시킬 수 있으며, 특히 미니/마이크로 채널에서 이 현상이 두드러지게 나타나는데 작은 채널의 단면적과 제한된 기하학적 구조 때문에 비등과 증발 과정이 더욱 복잡해진다.

일반적인 최초 드라이아웃 발생 예측 방법은 주로 경험적 상관관계(empirical correlation)와 해석적 모델에 의존하고 있으며, 다양한 유체 및 채널 기하학 구조에 따른 복잡한 현상을 해석하는 데 한계가 있는 상황이다. 

오랜 시간 많은 연구자들이 전자 장비에서 발생하는 발열로 인해 발생하는 드라이아웃 현상을 예측하기 위해 실제 실험을 기반으로 경험적 상관관계 모델을 개발하려는 노력을 기울였지만 다양한 해석적 한계에 봉착하였다.

연구팀은 미니/마이크로 채널 내의 포화비등유동(saturated flow boiling)에서 발생하는 초기 드라이아웃 발생 건도(quality)를 예측하기 위해 고성능 기계학습(machine learning) 알고리즘 중 하나인 XGBoost를 사용하여 기존 경험적 상관관계 및 해석적 모델보다 더 높은 예측 정확도 2.45%를 달성하였다.

연구팀은 채널 내의 최초 드라이아웃 발생 시점을 더 정확하게 예측하기 위해 기계학습을 활용했다. 특히, XGBoost 알고리즘을 적용해 다양한 실험 데이터를 기반으로 최초 드라이아웃 발생 건도를 예측하는 데 성공했다.

연구팀이 활용한 데이터베이스는 13가지 작동 유체와 다양한 채널 크기 및 유동 조건을 포함하는 26개의 연구 자료에서 수집된 997개의 데이터 포인트로 구성되어 있으며, 기계학습 모델의 훈련에 충분한 기반을 제공했다.

  
연구팀은 추가적으로 하이퍼파라미터(hyperparameter) 최적화 소프트웨어인 Optuna를 사용하여 XGBoost 모델의 예측 정확도를 최대화했다. 그 결과, 최초 드라이아웃 발생 건도 예측에서 평균 절대 오차(MAE)가 2.45%에 불과한 매우 높은 정확도를 달성했다. 이는 기존의 상관관계 예측 모델(평균 절대 오차 = 12.5%)에 비해 크게 개선된 수치이다.

 
이승현 교수는 “이번 연구를 통해 이상 유동 열전달 및 열관리 분야에 대한 기계학습의 성공적 적용 결과를 확인했다”며 “향후 다양한 유체와 시스템 작동 조건을 포함하도록 모델을 확장하고, 이상 유동 열전달 및 열관리 분야의 산업 현장에서 실시간 모니터링 시스템과 결합해 기계학습의 응용 범위를 넓히는 연구를 계획 중이며, 추후 전기차 배터리 열폭주 예방 및 예측에 활용할 계획”이라고 밝혔다.

이번 연구는 GIST와 성균관대학교, 미국 퍼듀대학교의 공동연구 성과로 GIST 기계공학부 이승현 교수가 지도하고 노현석 석사과정생이 수행하였으며, 과학기술정보통신부가 지원하는 한국연구재단(NRF) 사업의 지원을 받았다.

연구 결과는 열전달 및 열관리 분야의 저명한 국제학술지 《International Journal of Heat and Mass Transfer》에 2024년 6월 15일 온라인 게재되었다.