电动汽车翅片式液冷电池热管理系统(BTMS)的研究与预测:一种机器学习(Machine Learning)方法

《Energy》:Investigation and prediction of finned liquid-cooled battery thermal management system for electric vehicles: A machine learning approach

【字体: 大 中 小 】 时间:2026年04月07日 来源:Energy 9.4

编辑推荐:

  摘要:气候变化背景下对能效与减排的迫切需求正推动向电动汽车(EV)的转型。作为EV主要能源的锂离子(Li-ion)电池因温度分布不均面临热失控(thermal runaway, TR)风险,引发安全及经济问题。针对此问题,研究人员提出一种新型翅片式液冷电池热管

  
摘要:气候变化背景下对能效与减排的迫切需求正推动向电动汽车(EV)的转型。作为EV主要能源的锂离子(Li-ion)电池因温度分布不均面临热失控(thermal runaway, TR)风险,引发安全及经济问题。针对此问题,研究人员提出一种新型翅片式液冷电池热管理系统(Battery Thermal Management System, BTMS),并通过计算流体动力学(CFD)评估其散热性能。本研究建立由粒子群优化(Particle Swarm Optimization, PSO)算法增强的混合人工神经网络(Artificial Neural Network, ANN)模型(PSO-ANN),可高精度预测CFD仿真结果(R2> 0.99)。为满足几何约束与水力性能限制,设计空间限定为:翅片数量(N)106–332、攻角(α)0–15°、高度(H)0.5–2.0 mm、长度(L)2–8 mm。该方法有助于BTMS结构参数优化及参数筛选。优化后的BTMS水力热力性能因子(Hydraulic Thermal Performance Factor, HTPF)提升超过20%。此外,PSO-ANN模型可根据特定性能需求识别最优结构参数,预测误差低于6%。该创新方法标志着BTMS设计的重大进展,展示了机器学习集成高保真仿真如何提升性能并为定制化目标预测设计参数,为EV及相关储能技术的有效热管理系统开发提供重要参考。
本文解读基于Lu Zhai、Yanmei Liu、Kongyuan Yang、Feng Guan、Weijian Liu、Chunbao Liu、Konghua Yang发表于《Energy》的论文《Investigation and prediction of finned liquid-cooled battery thermal management system for electric vehicles: A Machine learning approach》。
一、研究背景与意义
锂离子电池(Lithium-ion Battery, LIB)是电动汽车(Electric Vehicle, EV)的主流动力源,但其最佳工作温度为298.15~318.15 K且模组内温差须低于5 K;当遭受热应力易诱发热失控(thermal runaway, TR),造成起火爆炸。有效电池热管理系统(Battery Thermal Management System, BTMS)须兼顾散热能力与温度均匀性。被动冷却(自然对流、相变材料PCM)在大负荷下能力不足,主动液冷因冷却液比热容与导热系数优于空气而被广泛采用,但传统液冷板设计依赖试错式CFD(计算流体动力学,Computational Fluid Dynamics)仿真,耗时且难应对多参数耦合非线性问题。近年机器学习(Machine Learning, ML)被用于快速寻优,但已有研究多侧重正向性能预测,缺乏从指定性能目标反向筛选结构参数的逆设计(Inverse Design)能力。因此,研究人员提出将高保真CFD与PSO-ANN代理模型结合,构建带逆设计功能的翅片式液冷BTMS闭环优化框架,并以水力热力性能因子(Hydraulic Thermal Performance Factor, HTPF)为物理目标平衡换热强化与水力惩罚。
二、主要关键技术方法
研究人员首先建立含100个半高对称单元、中心布置液冷翅片的BTMS三维CFD模型,在几何约束(翅片数N=106–332、攻角α=0–15°、高度H=0.5–2.0 mm、长度L=2–8 mm)及单电胞放电条件(环境温度299.65 K、1.5 C倍率、放电时长1920 s)下开展全参数化CFD仿真获取训练数据集;随后构建人工神经网络(Artificial Neural Network, ANN)并用粒子群优化(Particle Swarm Optimization, PSO)算法优化权值与阈值形成PSO-ANN代理模型以拟合并预测努塞尔数(Nusselt number, Nu)与压降(Δp);最后以HTPF为综合评价指标开展参数灵敏度分析与逆设计筛选,验证模型预测精度与BTMS性能提升幅度。
三、研究结果
Model description(模型描述)
研究人员建立实际电池包上下模组对称、液冷翅片居中布置的BTMS三维计算模型(共100个半高对称单元),明确了几何边界条件与流体—固体耦合传热设置,为后续参数化仿真奠定物理基础。
Results and Discussions(结果与讨论)
研究人员系统改变翅片数量(N)、攻角(α)、高度(H)及长度(L),分析其对LIB模组温度场及BTMS特性的影响。结果表明各翅片参数对最高温度、温差及压降存在强耦合非线性作用;适当增大翅片数与合理选取攻角、高度可强化换热并改善温度均匀性,但会抬升流阻。基于HTPF综合评价筛选出Pareto最优参数组合,优化后BTMS的HTPF较基准方案提高20%以上。PSO-ANN模型对CFD结果的R2大于0.99,可按用户指定Nu与Δp目标反向给出对应翅片结构参数,预测偏差小于6%。
Conclusion(结论)
研究人员通过集成高保真CFD与PSO-ANN代理模型,建立了翅片式液冷BTMS的闭环逆设计框架,超越传统试错法,不仅可预测性能,还能依据用户定义目标精确反筛结构参数。全面参数化分析揭示:翅片几何参数对电池最高温、温差及水力损失存在显著非线性耦合关系,工程中需在换热增益与水力惩罚间权衡;经HTPF评价优化之BTMS其HTPF提升逾20%;PSO-ANN模型预测精度高(R2>0.99),逆设计所得结构参数预测误差低于6%,可有效指导高性能BTMS开发。此CFD–PSO-ANN混合框架为EV及关联储能装置高效热管理系统之定制化设计提供了理论依据与实用工具。
四、讨论总结(结论译文)
本研究通过将高保真CFD仿真与PSO-ANN代理模型相结合,建立了翅片式液冷BTMS的闭环逆设计框架。与传统试错方法不同,本工作不仅可进行性能预测,还能从用户自定义目标中精确反筛结构参数。关键发现如下:(1)全面参数分析揭示了重要工程启示——翅片几何参数对电池最高温度、温差及水力损失存在显著非线性耦合,设计中须在传热强化与水力惩罚间权衡;(2)经水力热力性能因子(HTPF)评价的优化BTMS,其HTPF提升超20%;(3)PSO-ANN模型对CFD结果预测R2>0.99,可据指定性能目标识别最优翅片结构参数,预测误差<6%。该高保真仿真与机器学习融合方法推进了BTMS设计范式,为EV及相关储能技术高效热管理系统的定制化发展提供了重要支撑。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号