KITECH 생산기술 전문지

최근 자동차 산업은 강화되는 연비 및 배출가스 규제에 대응하기 위해 전기차와 하이브리드차 중심의 친환경차 개발에 집중하고 있다[1-2]. 특히 글로벌 환경 규제 강화와 탄소중립 정책 확산에 따라 고효율 전력변환 시스템의 중요성이 더욱 부각되고 있다. 이러한 차량의 핵심 구동 시스템에는 인버터 모듈이 포함되며, 이는 배터리의 고전압 직류 전원을 모터 구동에 필요한 교류 전원으로 변환하는 역할을 수행한다. 인버터 내부의 주요 구성 요소인 IGBT 전력반도체는 스위칭 과정에서 상당한 열을 발생시키며, 이로 인해 시스템 효율 저하 및 내구성 문제가 발생할 수 있다. 따라서 전력반도체의 열을 효과적으로 제어하기 위한 냉각 기술은 인버터 성능 향상에 있어 핵심적인 요소로 작용한다. 현재 인버터용 냉각 모듈의 방열플레이트에는 주로 Al1060 소재가 사용되고 있으나, 보다 높은 열전도 특성을 갖는 Cu1100 소재를 적용할 경우 냉각 성능을 크게 향상시킬 수 있다. Cu1100 방열플레이트는 전력반도체에서 발생하는 열을 신속하게 방출함으로써 전력 변환 효율 저하를 최소화하고, 결과적으로 차량의 주행거리 및 시스템 신뢰성을 향상시키는 데 기여할 수 있다. 그러나 Cu1100의 열간 가공 특성 및 변형 거동을 정확히 이해하는 것은 실제 부품 제조 공정 설계에 있어 필수적이다. 이를 위해 본 연구에서는 Gleeble-3500 시스템을 활용하여 다양한 온도 및 변형률 속도 조건에서 Cu1100 합금의 열간 압축 실험을 수행하고, 응력-변형률 데이터를 확보하였다. 특히 열간 영역에서의 대변형 거동을 정밀하게 분석하기 위해 실험 조건을 체계적으로 구성하였다. 이후 확보된 데이터를 기반으로 심층신경망(DNN)과 랜덤 포레스트(Random Forest)와 같은 기계학습 기법을 적용하여 유동응력 예측 모델을 구축하였다. 또한 기존의 대표적인 해석 모델인 Arrhenius형 구성방정식을 함께 적용하여, 기계학습 기반 모델과의 예측 성능을 비교·평가하였다.

키워드 구리합금, 물성 예측, 기계학습, 구성방정식, 심층신경망, 랜덤 포레스트