배터리 디자인 디버깅 방법

 (github.com/ionworks)
1P by GN⁺ | ★ favorite | 댓글 1개
  • 배터리 설계는 주행거리, 출력, 안전성, 수명, 무게, 비용이 서로 충돌하는 “and” 문제이며, 고에너지와 고출력을 동시에 만족시키기 어려워 시뮬레이션으로 설계 공간을 탐색할 필요가 있음
  • 셀 설계에는 음극, 양극, 전해질, 분리막, 두께, 공극률, 입자 크기, 폼팩터 같은 변수가 많아 20개 변수에 각각 3개 값을 두면 3,486,784,401개 조합이 생김
  • 실험실에서 단일 셀 설계를 만들고 특성화하는 데 최소 1일, 가속 노화 테스트는 최대 1개월이 걸릴 수 있으며, 새 설계 1개 데이터 포인트의 구축·테스트 비용은 대략 $1000로 잡힘
  • 흑연·실리콘 혼합 음극은 에너지 밀도와 출력을 함께 개선할 가능성이 있지만, 실리콘은 전압 히스테리시스와 리튬화 시 약 80% 팽창으로 인한 균열·노화 문제가 있음
  • PyBaMM은 배터리 수학 모델링을 Python으로 실행해 전압 성분, 농도 분포, 입자 크기 효과를 분석하며, 6500개 데이터 포인트를 단일 코어에서 2시간 미만, 병렬 계산 시 1분 미만으로 줄일 수 있음

배터리 설계의 “and” 문제

  • 전기차 배터리는 고에너지 또는 고출력 중 하나에 치우치기 쉽고, 두 특성을 동시에 만족시키기 어려움
  • 고에너지 배터리를 많이 넣으면 주행거리는 늘 수 있지만, 가속 시 정격 출력이 낮고 시스템 손실이 커져 과열될 수 있음
  • 과열 대응은 냉각 시스템을 과설계하게 만들고, 이는 무게와 비용을 늘림
  • 높은 온도에서 동작하는 배터리는 용량을 더 빨리 잃을 수 있음
  • 배터리 설계에는 에너지와 출력 외에도 안전성, 수명, 무게, 비용 같은 제약이 함께 걸림
  • 전기 항공기에서는 이 문제가 더 커짐
    • 이륙과 착륙에 필요한 피크 출력이 순항에 필요한 출력보다 10배 높음
    • 출력 우선 설계가 필요해 주행거리 또는 항속거리 희생이 생김

실험 설계가 빠르게 폭발하는 이유

  • 배터리 공급사는 여러 용도에 맞춰 다양한 설계를 테스트하지만, 하나의 설계를 만들고 완전히 특성화하는 데 최소 1일이 걸림
  • 가속 노화 테스트 대상 셀은 최대 1개월이 걸릴 수 있음
    • 셀을 강하게 반복 충방전하고 데이터를 실제 주행 시나리오로 외삽함
    • 노화 효과가 비선형이기 때문에 한 시나리오에서 다른 시나리오로 옮기는 과정은 단순하지 않음
  • 새 배터리 설계 하나를 단일 셀 기준으로 만들고 테스트하는 비용은 대략 $1000임
  • 설계 변수는 여러 층으로 쌓임
    • 재료: 음극, 양극, 전해질, 분리막
    • 고체 재료 조정값: 두께, 공극률, 입자 크기, 혼합 재료의 조성
    • 기하 요소: 원통형·각형·파우치 폼팩터, 18650 같은 크기, 탭 수, 집전체 두께
    • 안전 요소: 벤팅 캡, 중앙 만드렐
    • 전해질 조성도 바뀔 수 있으며, 여기서 중요한 차별점이 나올 수 있음
  • 보수적으로 20개 항목을 바꾸고 각 항목에 원래 값·높은 값·낮은 값 3개만 둬도 3^20 = 3,486,784,401개 조합이 생김
  • 1000개 채널로 병렬화해도 각 채널이 100만 회 이상 실험해야 하며, 최소 100만 일이 걸리고 비용은 $1B 이상으로 커짐
  • 이런 조합 폭발은 차원의 저주이며, 배터리 개발에서 특히 심하게 나타남

실리콘 음극의 가능성과 문제

  • 흑연과 실리콘을 섞은 음극은 높은 출력 유지와 에너지 밀도 향상을 함께 노릴 수 있는 후보임
  • 실리콘은 단위 부피당 리튬을 수용할 수 있는 자리가 더 많아 셀 용량을 늘릴 수 있음
  • 음극은 셀의 음전극이며, 리튬 이온은 활성 물질의 결정 격자 안으로 삽입됨
    • 리튬 이온 농도가 변하면 리튬화가 진행됨
    • 이 과정은 전자 전달이 필요한 전기화학 과정이며, 셀에서 전류가 공급되거나 빠져나갈 때 일어남

  • 전압 히스테리시스

    • 충전과 방전 중 이온이 호스트 물질 안팎으로 이동하면서 전압이 변함
    • 결정 구조가 안정한 상으로 바뀌는 구간에서는 전압 변화가 느려짐
    • 개방회로전위와 리튬화 또는 용량에 대한 미분값인 dVdQ를 분석하면 내부 물질을 추정할 수 있음
    • 물질을 알고 있으면 전압에서 충전 상태인 SoC를 예측할 수 있음
    • 실리콘은 전압 히스테리시스가 있어 매우 느린 사이클, 예를 들어 하루 1사이클에서도 충전과 방전 전압 경로가 달라짐
    • 전류를 계속 적산하는 쿨롱 카운팅은 센서 실패, 낮은 정확도, 계통 오차가 있으면 시간이 지나며 예측이 드리프트됨
    • 전압은 배터리 상태의 즉시 스냅샷으로 쓰일 수 있지만, 평형에서 얼마나 떨어져 있는지, 온도, 노화, 충전·방전 방향에 영향을 받음

  • 팽창과 균열

    • 실리콘 입자는 리튬화되면 탈리튬화 상태보다 약 80% 커짐
    • 팽창은 입자 자체에 응력을 만들고, 입자가 부서지면 더 이상 활성 물질로 기능하지 못할 수 있음
    • 주변 호스트 물질을 깨거나 연결을 끊을 수도 있어 활성 물질 재고가 더 빨리 줄고 셀 용량이 감소함
    • 입자를 더 작게 만들면 전압 히스테리시스와 팽창 효과를 줄이는 데 도움이 됨
    • 작은 입자는 실리콘의 단위 질량당 활성 표면적도 늘려 배터리 반응 관련 손실을 낮추는 데 도움이 됨

PyBaMM으로 전압과 내부 상태 분석하기

  • PyBaMM은 Python으로 작성된 오픈소스 Battery Mathematical Modelling 도구임
  • 예시는 pybamm.lithium_ion.DFN() 모델과 Chen2020 파라미터를 사용함
  • 실험 조건은 2C로 20분 방전한 뒤 10분 휴지하는 구성임
  • 방전을 멈추고 휴지에 들어가면 전압이 크게 달라지는 모습을 시뮬레이션으로 볼 수 있음

  • 전압 성분 분해

    • PyBaMM은 전압을 여러 과전압 성분으로 나눠 볼 수 있음
    • 평형 상태에서 특정 충전 상태의 이상 전위는 개방회로전위인 OCP임
    • 평형이 아닌 과정에서 생기는 전압 손실도 함께 분해됨
    • 시뮬레이션에서 확인되는 점은 다음과 같음
    • 셀 전압 변화의 큰 부분은 리튬화 또는 SoC에 따른 개방회로전압 변화임
    • 전류가 멈추는 순간 반응 과전압, 전해질 옴 전위, 전극 옴 과전위가 거의 사라짐
    • 농도 과전압은 더 천천히 사라져, 반응이 없을 때도 시스템 안에서 이온 이동이 계속됨
    • 방전 중 전해질 농도 손실은 약 100 mV로 상당하지만, 활성 물질 내부보다 훨씬 빨리 사라져 전해질에서 확산이 더 쉬움

입자 크기 변경으로 확인한 모델 활용

  • 농도 프로파일을 보면 양극 입자 내부 농도가 반지름 방향으로 아직 같지 않음
  • 이 결과는 양극 입자 특성이 셀의 휴지 중 전압 완화 거동에 영향을 줄 수 있음을 보여줌
  • 예시의 기존 양극 입자 반지름은 5.22e-06 m임
  • 양극 입자 반지름을 3.0e-6 m로 바꾸면 휴지 상태에서 전압이 더 빠르게 평탄화됨
  • 작은 입자 크기는 리튬 이온이 입자 안팎으로 더 빠르게 확산되도록 해, 양극 고체 입자가 휴지 중 전압에 기여하는 부분이 더 빨리 해소됨
  • 이 사례는 모델이 배터리 성능에 대한 여러 파라미터의 영향을 조사하는 데 쓰일 수 있음을 보여줌

실험 공간을 줄이는 계산 모델의 역할

  • PyBaMM에는 실리콘 음극의 히스테리시스 모델링 예제도 있음
  • 시뮬레이션의 단일 실험은 몇 초 만에 실행될 수 있고, 더 단순한 모델은 ms 단위로 실행될 수 있음
  • 예시의 Ragone plot은 흔히 바꿔보는 파라미터를 훑어 6500개 데이터 포인트를 포함함
  • 각 실행이 1초 미만이면 단일 코어에서 순차 실행해도 2시간 미만이 걸림
  • 병렬 계산을 사용하면 같은 계산을 1분 미만으로 줄일 수 있음
  • 실행 가능한 코드는 how-to-debug-your-battery.ipynb에 있음

함께 보면 좋은 글 β

GN⁺   [-]
Hacker News 의견들

  • 한 번에 한 요소만 바꿔 세 점을 찍는 방식은 실험계획법에서 첫날 배우는 대표적인 비효율적 방법임
    보통 더 나은 방법을 모르는, 정식 통계 훈련이 거의 없는 사람들이 쓰는 방식에 가깝다
    현대적인 실험 설계를 아는 사람이 했다면 최적화에 수십억 번의 실행이 필요하지 않음. 먼저 중요한 요인을 걸러내는 순차 설계, 즉 기본적인 파레토 원칙을 적용한 뒤 반응표면 설계나 가우스 과정 대리 모델로 최적화하면 대개 수백 번, 많아도 수천 번 정도면 될 가능성이 큼. Douglas C. Montgomery의 “Design and Analysis of Experiments”가 좋은 입문서임

    • 완전히 동의함. PyBaMM이 기본으로 해주지 않는 부분 중 하나임
      글은 물리적 배터리와 모델 양쪽에서 가능한 최적화를 다루도록 훨씬 확장할 수도 있었음. 교과서 공유 고마움. 더 명확히 썼어야 했던 요지는, 작은 설계 공간에서는 이런 접근이 나쁘지 않을 수 있지만 배터리는 공간이 엄청나게 크다는 것임
      실제로 and 문제를 예시로 파레토 전선에 최적으로 도달하는 논문을 공동 저술했음. 이 분야에 들어오는 사람에게 흥미로울 수 있음: https://www.sciencedirect.com/science/article/abs/pii/S03062... 전문 PDF가 필요하면 공유 가능함
    • 실험 설계에서는 Taguchi 최적화 방법도 살펴볼 만함
      Taguchi가 제안한 실험 설계는 공정에 영향을 주는 매개변수와 그 수준을 직교 배열로 구성함. 모든 조합을 시험해야 하는 요인 설계와 달리 Taguchi 방법은 조합 쌍을 시험하므로, 최소한의 실험으로 제품 품질에 가장 큰 영향을 주는 요인을 파악하는 데 필요한 데이터를 모을 수 있어 시간과 자원을 절약함
      https://eng.libretexts.org/Bookshelves/Industrial_and_System...
    • 배터리 설계 같은 분야에서는 여러 요인을 수학적으로 분리하기가 아마 어려울 것 같음. 상당히 비선형적일 듯함
    • “한 번에 한 요소만” 시험하는 게 가장 비효율적인 방법 중 하나라면, 그건 그냥 단위 테스트 아닌가?

  • 배터리 기술을 조금 배우려고 직접 태양광 발전기를 만들어 보는 중임. 이름은 별로지만 Jackery나 Blue Yeti 같은 물건에 가까움
    리튬 인산철 셀 4개와 BMS, 태양광 충전 컨트롤러, 잡다한 부품을 구했음. 셀 밸런싱, 배선 등을 배워야 했고 확실히 깊은 토끼굴이었음
    캠핑 중 냉장고와 조명을 돌릴 1.2kWh 배터리를 만들었고, 동급 기성품 가격의 절반 이하로 끝냈음. 물론 배우는 데 엄청난 시간이 들었지만 그건 무료임
    가장 흥미로웠던 깨달음 중 하나는 예전에는 산업 디자인을 너무 과소평가했다는 것임. 배터리 팩은 처음 보면 콘센트 몇 개 달린 네모난 상자일 뿐이지만, 보기 좋게 만드는 건 꽤 어려웠음. 내부 부품 배선도 흥미로운 난제임

    • 참고로 저가형 BMS에는 저온 충전 차단 기능이 없는 경우가 많음. 아직 안 해봤다면 테스트해 보는 게 좋음
      명판에 적힌 전류 정격도 믿지 않는 편이 좋음. 충분한 부하를 흡수할 수 있는 장치를 찾아 실제로 걸어 보고, 셀 일부라도 열 한계를 넘길 만큼 뜨거워지지 않는지 확인해야 함
      또 하나는 버스바 부식임. 연결부 중 하나에 작은 저항이 생기고 그 단자가 충분히 뜨거워지면 순식간에 문제가 터짐
      마지막으로 배터리 팩의 가장 큰 킬러는 물리적 손상임. LiFePO4라 해도 셀을 충분히 고정하고 보호하는 것이 정말 중요함
    • 기계공학 졸업 설계 프로젝트로 전기 스케이트보드의 납축전지를 니켈 수소 전지로 교체했음. 2008년 리튬 배터리 가격은 대학생 예산으로 감당할 수 없었음
      그 덕분에 배터리 기술을 새롭게 존중하게 됐고, 지금도 배터리는 조금 이해 불가능한 마법 상자처럼 느껴짐
      프로젝트에서 가장 자랑스러웠던 부분은 고급 전압/전류 기록 장비를 살 돈이 없고 전류도 꽤 높았다는 점임. 전압계와 아날로그 전류계를 합판에 케이블타이로 묶고, 2x4 목재를 90도로 세워 카메라를 붙였음. 그 상태로 주행하면서 영상을 찍었고 시간과 다른 단위를 맞춰 볼 수 있었음. 영상을 보며 결과를 수동으로 스프레드시트에 옮겼음
      빠르거나 고정밀은 아니었지만 잘 작동했고, 무엇보다 예산 안에 들어왔음
    • 멋짐. 나도 해보고 싶지만 내 해킹 능력은 꽤 디지털 영역에 갇혀 있음
      앞으로 몇 년간 정말 흥미로울 건 자동차에서 나온 배터리를 전력망 저장이나 이런 구성처럼 가정용 백업 전원으로 재활용하는 수가 늘어나는 점임. 보통 전기차 배터리는 원래 용량의 80%에 도달하면 수명 종료로 판단됨
      하지만 용량은 얼마나 빠르게 순환시키는지, 어떤 충전 상태 범위에서 쓰는지에도 좌우됨. 충전 상태 창이 클수록, 순환이 빠를수록 배터리에 스트레스가 커지고 손실도 커짐. 자동차에서 꺼낸 배터리를 상자에 넣고 더 느리게, 더 좁은 충전 상태 범위에서 순환시키면 훨씬 더 오래 쓸 수 있음
    • 거의 같은 걸 만들었음. 태양광만 빼고 인버터와 USB만 넣었음
      어떤 케이스를 골랐는지 궁금함. 개인적으로는 그게 제일 까다로운 부분이었음
      나는 Amazon에서 단단한 플라스틱 탄약통 케이스를 샀음. 유럽에서는 찾기 어려웠음
      해보고 싶은 사람이라면 Will Prowse의 YouTube 영상들이 훌륭함. 일반 배터리, 즉 태양광 발전기가 아니라면 요즘은 직접 만드는 게 더 싸지는 않을 것 같음. 1kWh LFP 12V 배터리를 약 200달러에 살 수 있기 때문임
    • 직접 만들면 보통 공유되지 않는 것들을 많이 배우게 됨. 이런 종류의 작업은 필요한 노력이 꽤 커서 대부분은 굳이 하지 않음

  • 배터리 구동 하드웨어 제품 개발에 쓸 수 있는 에너지 프로파일링 도구에 관심 있다면 Nordic Semiconductor의 PPK II를 강력히 추천함
    합리적인 가격에 실제 에너지 사용량을 꽤 잘 프로파일링할 수 있는 하드웨어 도구와 소프트웨어 키트를 얻을 수 있음. 가격이 한 자릿수 더 비싼 도구들과 비교해도 전력 프로파일 제공 능력이 기대 이상임. 배터리로 동작하는 하드웨어 제품을 설계한다면 이런 도구는 필수임
    광고처럼 들리겠지만 아님. Nordic Semiconductor와 전혀 관련 없음. 그냥 좋은 도구이고, 이 영역에는 비용 효율적인 선택지가 거의 없어서 기꺼이 추천함

    • 그 도구는 작은 기기의 배터리 수명을 최대화해야 하는 사람에게 맞음
      더 높은 전력의 직류 부하에는 홀 효과 센서가 있음. 보통 구멍이 뚫린 플라스틱 케이스 형태이고, 그 구멍으로 고전류 전선 하나를 통과시킴. 대개 5V 정도의 직류 전원이 필요하고, 전류에 비례한 전압이 출력됨
      전선에서 나오는 자기장을 감지하므로 직접 연결이 필요 없고, 고전류나 고전압 또는 둘 다를 측정할 때 좋음. 일부는 분할 링 구조라 기존 전선을 자르지 않고 센서를 둘러 설치할 수 있음
      교류에는 전류 변압기가 있고 설치 방식은 비슷하며, 감지되는 전선 전류에 대해 고정 비율의 작은 전류를 출력함
      휴대용 버전은 클램프형 교류/직류 전류계로, 흔한 도구임. 모두 표준적이고 가격도 적당한 물건들임
    • Nordic Semiconductor의 PPK II는 좋아 보임. 제품 페이지에 따르면 “sub-uA부터 1A까지 전류를 측정하고 선택적으로 공급할 수 있음”이라고 되어 있음
      1A보다 더 많이 공급할 수 있는 비슷한 장치 추천이 있는지 궁금함
    • Sensor Watch를 개발하는 사람들도 전력 소비를 테스트하는 데 Power Profiler Kit II를 썼음. 정말 좋은 장치처럼 보임
      https://www.nordicsemi.com/Products/Development-hardware/Pow...
      전자공학 문외한이 이 하드웨어를 쓰기 얼마나 어려울까? 돕고 싶어서 하나 사고 싶은데 회로 쪽은 거의 초보임
    • 알아두면 좋겠음. 배터리 구동 하드웨어를 개발하고 있는지 궁금함

  • 올려줘서 고마움. PyBaMM은 정말 잘 만들어졌음. 경쟁 Julia 패키지의 웨비나에서 처음 알게 됐음
    다만 실제로 새 제품을 위해 자체 셀을 설계하는 조직이 얼마나 되는지 궁금함. 그리고 이런 패키지들은 검증이 얼마나 되었을까? 배터리 방전 데이터를 많이 얻는 게 비싸고 오래 걸린다는 건 알고 있음
    내 경험이 생각을 과하게 물들이고 있을 수도 있음. 내가 생각하는 배터리 모델링은 회로 시뮬레이터와, 일반 배터리의 큰 공차에 묻히지 않을 효과들만 포함하는 쪽임
    더 자세한 물리 모델링이 흥미로운 영역은 이차전지의 장기 열화와 마모 모델링일 것 같음. 그런 방향의 튜토리얼이나 예제가 있을까?

    • 좋은 질문임. 실험실에서 새 소재를 개발하는 사람이라면 PyBaMM에 있는 물리 기반 모델이 도움이 될 것임
      조직이라는 말은 넓지만 회사라는 뜻이라면, 배터리를 어떤 식으로든 다루는 전체 회사 중 비율은 아마 꽤 작을 것임. 하지만 그 회사들의 가치는 불균형하게 큼. 대형 자동차 제조사, 항공우주처럼 극한 환경을 다루는 회사, 그리고 광산 트럭을 전동화하는 Fortescue 같은 중장비 회사들을 생각하면 됨
      셀과 셀 소재를 만들고 셀 설계를 하는 모든 회사는 물리 모델링의 이점을 확실히 얻을 수 있음. 패키지 검증은 강한 편이고 PyBaMM에는 동료심사 논문 인용이 많음. 특정 셀의 시뮬레이션 숫자 검증은 아마 약한 편이며, 업계의 진짜 고통 지점임. ionworks가 이 문제를 해결하려고 하고 있음

  • 상용 셀을 기준으로 PyBaMM 모델을 매개변수화하는 블로그 글이 있으면 흥미로울 것 같음
    시뮬레이션 기반 설계를 하는 많은 배터리 엔지니어가 문헌, X-ray 등에서 매개변수를 정하는 비슷한 과정을 반복할 듯함

  • 모두가 블로그 플랫폼과 개인 블로그 사이트를 계속 새로 만들지만, 사실 GitHub가 처음부터 완벽한 해법이었음

    • 맞음. 필요한 건 README와 GIF를 만들 수 있는 Python 패키지뿐임
      우리 BattBot 프로젝트를 위해 이 기능을 PyBaMM에 넣었음: https://github.com/pybamm-team/BattBot
      이건 지금 CERN에서 일하는 훌륭한 GSOC 학생이 만들었음

  • 글이 극도로 간결함. 내 배터리를 디버깅한다거나 특정 배터리에 대한 내용은 많지 않고, 일반적인 배터리와 몇 가지 확률적·정성적 측정으로 프로파일링하는 내용에 가까움
    예를 들면 요구사항이 pybamm=24.1임
    https://github.com/pybamm-team/PyBaMM

    • 간결하게 느껴졌다니 아쉬움. 짧은 소개로 의도했고, 조금이라도 흥미롭거나 문제와 관련 있다고 느낀 사람은 PyBaMM의 더 자세한 예제를 읽어보길 바랐음
      관심 있다면 실리콘 음극은 배터리 개선을 위해 활발히 연구되는 소재 중 하나일 뿐임. 성배는 음극 쪽에 호스트 물질이 전혀 없는 리튬 금속임. 궁극적인 에너지 밀도를 줄 수 있지만 아직 상용화는 대체로 성공하지 못했음
    • pybamm.Experiment가 이런 식으로 자연어 지시를 받는 건가? LLM이 이걸 더 구조화된 형태로 파싱하는 걸까?
      “1C로 1시간 충전하고, 캠프파이어 아래에 두고, 1000C로 방전하고, 마시멜로를 굽기”

  • 글은 흥미로웠지만 여기서 디버그라는 단어가 맞는지는 모르겠음. 노트북이나 자동차 배터리가 너무 빨리 닳게 만드는 소프트웨어나 전자회로 버그를 디버깅하는 글일 줄 알았음
    제목은 “내 용도에 맞는 배터리 선택을 모델링하는 방법”이나 “배터리 설계의 절충 이해하기”에 가까웠을 듯함

    • 타당한 지적임. 내가 좀 자유롭게 쓴 것 같음. 프로그래밍 용어를 일상생활에 끌어들이는 습관이 있음
      의도는 왜 어떤 것이 최적이 아닌지 이해하려는 쪽이었음

  • 이 라이브러리는 나트륨 배터리 같은 다른 전해질 시스템에도 동작할 만큼 매개변수화되어 있나? 흐름 전지는 어떨까? 막을 사이에 둔 두 유체라면 균열은 그렇게 큰 문제가 아닐 것 같음
    아니면 납축전지만이라도? 즉 이건 “리튬 디버그”인 건가?

    • PyBaMM에 기본 포함된 모델들은 나트륨 배터리와 납축전지에 적용될 수 있음. 즉 전체 Doyle-Fuller-Newman 모델이나 단일 입자 단순화 모델임
      흐름 전지는 분리막 양쪽의 강제 대류를 모델링해야 하므로 새 모델 구현이 필요할 가능성이 크고, PyBaMM은 이를 지원함
      PyBaMM에 비교적 모듈식 모델링 시스템이 있다는 건 알지만, 구현된 모델들이 어떻게 나뉘어 있는지는 확실하지 않음
    • PyBaMM은 기술적으로 화학 조성에 무관하지만, 예제 대부분이 리튬 이온용인 것도 맞음
      나트륨 이온은 물리 현상이 사실상 같고 숫자만 다르기 때문에 충분히 가능할 것임. 흐름 전지는 대류 같은 몇몇 중요한 과정을 추가해야 해서 조금 더 까다로움
      납축전지 예제도 들어 있음. PyBaMM은 사실 Valentin이 박사과정을 하던 때 납축전지에서 시작했음: https://sites.google.com/view/valentinsulzer/publications

  • 글에서 암시만 되고 깊게 다뤄지지 않은 전기 비행의 성능 요구사항에 관심 있다면, 이 오픈 액세스 논문이 훌륭함: https://pubs.acs.org/doi/full/10.1021/acsenergylett.8b02195

답변달기