AI를 활용하여 전기 수직 이착륙기(eVTOL)의 에너지 시스템을 '더 친숙한 것'으로 만드는 방법

eVTOL의 에너지 시스템은 주로 다음의 5가지로 구성됩니다:

배터리 시스템 (최대 비용 요인)- 셀 (Cell)

• 배터리 팩 구조 (내충격·내화)

• 열 관리 시스템 (Thermal Management System)

동력 분배 시스템- 분산형 전기 모터 (Distributed Electric Motor)

• 모터 컨트롤러 (Motor Controller) (전력 제어)

에너지 관리 시스템 (BMS의 고도화 버전)- 잔량 추정

• 방전 전략

• 안전 보호

열 관리 시스템- 냉각액·공랭·상변화 물질 (PCM) 등

冗長(Redundancy) 안전 시스템- 복수 배터리 분할

• 고장 격리
• 백업 전원

👉 비용 비율:

• 배터리: 40~60%
• 冗長(Redundancy)·안전 설계: 20~30%
• 열 관리·제어: 10~20%

따라서, 친숙한 가격으로 만들기 위해서는:

冗長(Redundancy)의 삭감·에너지 효율 향상·배터리 과잉 설계의 억제가 핵심입니다.

기존 설계:

• 최악의 조건을 전제로 설계
• 항상 큰 안전 마진(Safety Margin)을 확보

→ 중량·비용 증가

AI 접근 방식:

• 비행 상태 (상승·호버링·순항)

• 온도 변화

• 충방전 이력

• 열화 모델

• 풍황·적재량

• 각 셀의 건강 상태 (SOH, State of Health)

• 향후 5~20분간 출력 가능한 전력 예측

• 리스크 확률 평가

👉 「최악의 배터리 기준」이 아닌 「확률 모델 설계」로 이행

• 배터리 冗長(Redundancy): 10~25% 삭감
• 기체 중량 감소 → 추가적인 에너지 절약

기존:

• 모든 모터를 균등하게 구동

AI 제어:

• 각 모터 효율 곡선

• 기류 난류

• 온도

• 비행 상태

• 고효율 모터를 우선 사용

• 저효율 모터를 억제

• 추력의 동적 재배분

👉 “평균적으로 사용”하는 것이 아니라

가장 효율이 좋은 모터에 업무를 집중시킨다

• 소비 전력: 5~15% 삭감
• 모터 수명 연장

기존:

• 최단 거리 우선

AI 최적화:

• 지형·빌딩풍 데이터

• 기류 모델

• 배터리 잔량

• 적재 중량

• 최소 에너지 항로

• 반드시 최단 거리는 아님

• 소비 전력: 10~20% 삭감

• 필요 배터리 용량의 저감

기존:

• 온도 상승 → 냉각 → 사후 대응

AI 제어:

• 전력 부하 예측

• 환경 온도

• 비행 페이즈 (Flight Phase)

• 사전 냉각

• 분산 냉각

• 배터리 부하의 분산

• 냉각 시스템 소형화

• 경량화·비용 삭감

배터리를 상태별로 분류:

• A급: 고성능 (이륙·상승용)

• B급: 표준 (순항용)

• C급: 열화 (예비·저부하)

• 이륙 시: 고성능 배터리 사용

• 순항 시: 최적 조합

• 착륙 시: 안정적인 배터리 사용

• 배터리 수명 20~40% 연장

• 교체 빈도 저하

기존:

• 안전을 위해 하드웨어 冗長(Redundancy)을 대량 탑재

AI:

• 고장 확률의 실시간 예측
• 리스크 배터리의 조기 격리
• 전력 경로의 재구성

👉 일부 冗長(Redundancy)을 소프트웨어로 대체

• 구조 단순화

• 비용 삭감

• 유지보수성 향상

• 항로 최적화

• 제어 최적화

• 열 제어 개선

👉 20~35% 삭감 가능

• 하드웨어 冗長(Redundancy) → 소프트웨어 冗長(Redundancy)로

👉 경량화·비용 삭감

• 배터리 운용 최적화
• 열화 제어

👉 20~50% 수명 연장

• 전류·전압

• 온도·진동

• 비행 자세

• 에너지 소비 예측

• 배터리 열화 예측

• 환경 예측

• 에너지 배분

• 모터 제어

• 항로 최적화

• 모터 제어

• 배터리 전환

• 열 관리 제어

한마디로 요약하면:

AI는 eVTOL의 에너지 시스템을 「최악의 케이스 설계」에서 「확률적 최적 설계」로 바꾸는 기술이다.