《Batteries》:AI-Driven Thermal Management Optimization for Lithium-Ion Battery Packs: A Surrogate Model Approach to Cell Spacing Design
Florin Mariasiu,
Ioan Szabo and
George E. Mariasiu
编辑推荐:
本文介绍了在电池设计与制造过程中集成人工智能(AI)(通过特定机器学习技术)以优化其热管理的可能性。研究流程从对电池(16节18650型锂离子电芯,4×4排列)的计算流体动力学(CFD)热模拟(1C倍率)开始,并基于模拟结果,通过径向基函数(Rbf)插值生成一
本文介绍了在电池设计与制造过程中集成人工智能(AI)(通过特定机器学习技术)以优化其热管理的可能性。研究流程从对电池(16节18650型锂离子电芯,4×4排列)的计算流体动力学(CFD)热模拟(1C倍率)开始,并基于模拟结果,通过径向基函数(Rbf)插值生成一个复杂的热场景。此外,研究人员提出并验证了一个稳健的神经网络(NN)模型,该模型进一步用于设计空间优化(DSO)和多目标优化(MOO)过程。所得结果表明,对于DSO,建议电芯间距为1.37 mm,此时最大电芯温度为25.53 °C;对于MOO,建议电芯间距为2.64 mm(以实现最小风扇能耗)。结果的主要结论表明,使用NN模型作为代理模型(物理模型的数字孪生)在电池设计过程中具有两大优势:针对二维网格上的每个点运行CFD模拟需要数小时,而NN模型可在不到2秒内生成整个地图并找到最优解;此外,可评估数千个额外点以寻找最优模型的细微边界,有效过滤掉数千个能耗高的“次优”配置。
**论文解读:基于代理模型与人工智能的锂离子电池组热管理优化研究**
**研究背景、存在问题与研究目的**
锂离子电池组在电动汽车和储能系统中广泛应用,其工作温度对电池健康状态(SoH)和寿命至关重要。高温会加速电解质分解、固体电解质界面膜(SEI)生长,甚至引发热失控;低温则导致容量下降和锂枝晶析出。维持电池在15–35°C最佳温度范围内是热管理系统的核心目标。传统电池设计依赖昂贵的试错法和耗时的计算流体动力学(CFD)模拟,限制了设计空间的探索。现有研究虽分析了电芯间距对热性能的影响,但多采用单一参数优化或简单代理模型,缺乏系统化、可复现的AI驱动流程。本研究旨在开发一种集成AI的完整工作流,通过代理模型(神经网络NN)加速电池间距优化,解决仿真耗时与设计空间探索不足的问题。论文发表在《Batteries》。
**主要关键技术方法**
研究人员采用CFD模拟(SolidWorks Flow Simulation,36个瞬态工况,1C倍率,风速0.5–2.0 m/s,水平/垂直间距1–3 mm)生成原始数据;通过径向基函数(Rbf)插值(多二次核函数)生成400个合成数据点;构建多层感知机(MLP)神经网络(2个隐藏层,每层64个神经元,ReLU激活函数,Adam优化器)作为代理模型;使用L-BFGS-B算法进行设计空间优化(DSO,单目标)和帕累托前沿方法进行多目标优化(MOO,权衡冷却性能与风扇能耗)。
**研究结果**
**3.1 热图可视化(考虑案例的几何配置)**
为展示电芯间距影响,研究人员提取了600秒瞬态模拟后的温度云图。在风速0.5 m/s(最弱冷却)条件下,对9种间距配置(CFG(1×1)至CFG(3×3))生成热图,并监测了36个工况(9种间距×4种风速)的几何参数、空气域温度、压力降及电芯温度等数据,为后续NN模型提供基础。
**3.2 神经网络模型结果**
NN模型在测试集(20%总数据)上表现高精度,回归指标(R2>0.95)验证了其预测能力。模型作为数字孪生(Digital Twin),将CFD模拟(600秒)的耗时降至预测(<1 ms),可用于后续优化。
**3.3 设计空间优化结果**
DSO优化确定了全局最小点:风速1.78 m/s,等间距1.37 mm,此时最大电芯温度为25.53 °C。该结果通过L-BFGS-B算法在NN模型平滑热场景中搜索获得。
**3.4 多目标优化(帕累托前沿)结果**
MOO生成了帕累托前沿曲线,展示了冷却性能与能耗的权衡。三种设计选项:最大冷却(温度25.50 °C,风速1.83 m/s,间距2.68 mm)、最大能效(温度26.17 °C,风速0.50 m/s,间距2.64 mm)和折中方案(“膝点”附近)。结果表明,较大间距(2.6–2.7 mm)在多数最优折中中更优,因其改善了空气流动效率。
**讨论与结论**
讨论部分指出DSO与MOO的工程差异:DSO追求单一目标(最低温度),而MOO提供多目标权衡菜单。DSO适用于早期设计阶段(严格热安全阈值),MOO适用于需平衡性能与能耗的产品开发。研究人员提出了基于温度阈值、风扇功率阈值、膝点区域和间距范围限制的筛选标准。结论部分强调,所提出的完整工作流(CFD模拟→Rbf插值→NN模型→DSO/MOO)具有可复现性,其代理模型(数字孪生)可在2秒内完成设计空间探索,而传统CFD需数小时。研究局限性包括:假设等距对齐排列、恒定低倍率(1C)、间距范围受限(1–3 mm)、固定电池包几何以及依赖CFD数据。未来方向包括敏感性分析、逆设计策略及不确定性评估。结论翻译如下:
人工智能(AI)的集成已成为解决电池研究、设计与制造中长期挑战的关键策略。本研究聚焦于设计阶段的电池构造优化,展示了基于AI的神经模型相较于经典计算方法的显著优势,包括显著加速的仿真、改进的预测精度以及算法探索广阔设计空间的能力。本工作演示了如何系统运用AI技术解决复杂工程问题,即通过调整电芯间距优化电池热管理。核心贡献是开发了一个完全集成且可复现的工作流,涵盖CFD模拟→径向基函数(Rbf)插值→基于神经网络(NN)的二维域连续温度场重构→确定性单目标优化(DSO)与多目标优化(MOO)。该工作流的新颖性源于异构计算阶段的无缝集成,识别出新的最优设计参数,并展示了此类组合方法的广泛方法论价值。所开发的代理模型——物理电池系统的数字孪生——在工程分析中展现出实质效用,可快速评估数千个额外设计点以识别最优性能的窄区域,从而过滤大量高能耗的次优配置。在计算效率上,高性能CFD模拟需数天才能获得完整网格热图,而神经网络可在不到2秒内生成完整温度场并定位最优配置。