머신러닝을 활용한 모빌리티의 공기기인 소음 예측 연구

키워드

확장요약문

전기차의 Whine 소음은 e-파워트레인(e-PT)의 전자기력이나 기어에서 발생하며 주로 고주파 대역에 나타난다. 그중 공기기인 소음은 e-PT 표면에서 방사되는 음향 에너지에서 비롯된다. 이 소음은 흡음 사운드 패키지로 e-PT를 감싸는 인캡슐레이션으로 줄일 수 있다. 그러나 패치 위치와 재료 사양의 조합이 매우 많아서, 이를 유한요소법(FEM)으로 모두 해석하는 것은 비현실적이다. 본 연구는 머신러닝(ML)으로 공기기인 Whine의 방사 소음을 예측하고, 중량 증가를 최소화하는 인캡슐레이션 조합을 빠르게 찾는 개념 증명(proof of concept)을 수행하였다.

해석 대상은 차량 실내 소음이 아니라 e-PT의 음향 방사 파워이다. 이를 위해 e-PT 유한요소 모델에 근접 음장을 모델링하고 AMPL(Automatic Perfectly Matched Layer)로 무한 음장을 구현하였다. 방사 파워는 MSC Actran으로 계산하였고, 가진력은 24차 전자기력, 해석 최대 주파수는 1,500 Hz로 하였다. 인캡슐레이션 패치는 5개 영역으로 구분하였다. 각 패치의 사양은 사운드 패키지의 두께, 유동저항, 영률, 면밀도로 정의하였으며, 미적용(bare)을 포함하여 5가지로 구성하였다. 학습 데이터에 필요한 해석량을 줄이기 위해 중첩(superposition) 기법을 새로 제안하였다. 먼저 동일한 사양을 5개 패치 전체에 적용해 방사 파워를 사양별로 미리 계산한다. 그 결과를 패치별로 조합하면 임의의 패치-사양 조합에 대한 총 방사 파워를 얻을 수 있다.

이 데이터로 학습한 ML 모델의 방사 파워 예측은 FEM 결과와 사실상 일치하였다. 따라서 제안한 방법은 인캡슐레이션 설계에서 해석 시간을 크게 줄이는 효율적인 수단이며, 유사한 음향 방사 문제에도 적용할 수 있다. 다만 초기 학습 데이터 확보에는 고정밀 FEM 해석이 필요하므로 데이터 구축 계획을 신중히 세워야 한다.