심층학습 기반 B-H 곡선 예측 및 스플릿 코어의 공극 최적화 연구 = Deep Learning-based B-H Curve Prediction and Air Gap Optimization of Split Cores

국문 초록 (Abstract)

자기장 기반의 에너지 하베스팅은 전력선 주변의 교류 자기장을 활용하여 별도의 전원 공급 없이 지속적으로 전력을 생산할 수 있는 기술로, 태양광과 공기 흐름이 제한된 산업 현장에 사용되는 다양한 전력 장치들의 에너지 공급원으로 유용하게 사용될 수 있다. 이러한 하베스터의 성능을 향상시키기 위해서는 CT 코어 재료의 자기적 거동을 나타내는 B–H 곡선을 정확히 파악하는 것이 중요하다. 그러나 기존의 B–H 곡선 측정 방식은 별도의 시편 제작이 필요하며, 가공 과정에서 발생하는 응력과 열 영향으로 실제 사용 상태의 자기 특성을 반영하기 어렵다는 한계가 있다. 본 연구에서는 이러한 문제를 해결하기 위해 심층학습 기반의 역문제 접근법을 적용하여, 가공 상태에서 측정된 전자기 응답 데이터로부터 B–H 곡선을 직접 예측할 수 있는 모델을 제안하였다. 다양한 전류 및 저항 조건에서의 전력 데이터를 이용해 코어 성능을 예측할 수 있는 forward 모델을 구축하고, 이를 기반으로 다중 전력 응답을 입력으로 하여 B-H 곡선을 예측할 수 있는 reverse 모델을 설계하였다. 또한, 예측된 B–H 곡선을 활용하여 스플릿 코어의 에어갭 크기에 따른 자기적 성능을 분석하여 링코어와 유사한 성능이 유지되는 에어갭 범위를 시뮬레이션과 실험을 통해 조사하였다. 본 연구는 전자기 응답 데이터만으로 가공된 코어의 실제 B–H 곡선을 정밀하게 예측하고, 스플릿 코어의 에어갭 설계 기준을 제시함으로써 고성능 CT 코어 설계에 기여할 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Energy harvesting based on magnetic field utilizes alternating magnetic fields around power lines to continuously generate electricity without an external power source, making it a promising energy supply method for industrial environments where sunlight and airflow are limited. To enhance the performance of such harvesters, it is essential to accurately identify the B–H curve, which represents the magnetic behavior of the CT core material. However, conventional B–H curve measurement methods require separately fabricated specimens and often fail to reflect the actual in-situ magnetic properties due to mechanical stress and thermal effects introduced during machining processes. To overcome these limitations, this study proposes a deep learning-based inverse problem approach capable of directly predicting the B–H curve from electromagnetic response data measured in the machined state. A forward model was developed to predict the core performance across various current and resistance conditions, and based on this, a reverse model was designed to estimate the B–H curve using multiple power response inputs. Furthermore, the predicted B–H curve was utilized to analyze the magnetic performance of split cores under different air gap sizes, and the range of air gap that maintain performance comparable to that of ring cores was identified through both simulation and experimental validation. This study aims to accurately predict the actual B–H curves of machined cores solely from electromagnetic response data and to establish quantitative air gap design guidelines for split cores, thereby contributing to the development of high performance CT cores.

목차 (Table of Contents)

• 표 목 차 ⅲ
• 그 림 목 차 ⅳ
• 약 어 설 명 ⅵ
• 국 문 요 약 ⅶ
• I. 서 론 1
• 1. 연구 배경 1
• (1) 에너지 하베스팅 1
• (2) 기존 B-H 곡선 측정 기법 2
• (3) B-H 곡선 예측을 위한 역문제 접근 3
• (4) 스플릿 코어의 구조적 특성과 에어갭의 영향 3
• (5) 본 연구의 필요성 4
• II. 심층학습 기반 B-H 곡선 예측 모델 6
• 1. 자기 코어 성능 해석 모델링 6
• (1) 자기장 에너지 하베스팅 코어 6
• (2) 지배방정식 7
• (3) 아크탄젠트 B-H 곡선 근사 8
• 2. 코어 성능 예측 모델 9
• (1) B-H 곡선에 따른 전력 데이터 구성 9
• (2) 네트워크 구조 및 하이퍼파라미터 설정 10
• (3) 손실 함수 및 모델 성능 평가 11
• 3. B-H 곡선 예측 모델 15
• (1) 코어 성능 예측 모델 기반 B-H 곡선 데이터 구성 15
• (2) 네트워크 구조 및 하이퍼파라미터 설정 16
• (3) 모델 성능 평가 18
• 4. B-H 곡선 예측 결과의 실험적 검증 24
• III. 스플릿 코어의 에어갭 최적화 27
• 1. 스플릿 코어 모델링 27
• 2. 에어갭 크기에 따른 스플릿 코어의 성능 분석 28
• (1) 에어갭에 크기에 따른 자속 밀도 분포 비교 28
• (2) 표면 거칠기에 따른 에어갭 형성과 코어 성능 분석 32
• IV. 결 론 35
• 참 고 문 헌 36
• ABSTRACT 40
• 감 사 의 글 42