DOI Link:
https://doi.org/10.1016/j.applthermaleng.2024.124874
Googleshcolar
https://scholar.google.com/citations?user=DsZ-kc0AAAAJ&hl=en&oi=sra
UniversityWeb:
https://www.acyyuen.com/
Received: 21 March 2024
1. 科学问题
通过ANN+CFD模型优化锂电池热管理系统，通过评估不同PCM材料、冷却液介质和包装方式的组合，以提高电池的热管理效率和性能。
2. 实验与模型方法
2.1 CFD模型概述
控制方程
质量守恒方程
动量守恒方程
能量守恒方程
电池能量方程
NTGK子模型
湍流模拟
k方程：
ω方程：
2.2 ANN模型
1 求和函数
3. 隐藏神经元的数量：
高度：90 mm
宽度：70 mm
深度：27 mm
4. 模拟设置：Fig. 1, Fig. 2, Fig. 3。
电池单体核心：12.70 × 10⁴ W·m³
正极端子：26.52 × 10⁴ W·m³
负极端子：16.39 × 10⁴ W·m³
6. 电池包设置：电池包周围被侧壁包围，侧壁与电池单体之间的间隔为50 mm。
2.4. PCM 模型
1. 热性能研究：在研究棱柱形电池的热性能时，考虑了电池的外部平面表面和内部多层结构。研究了三种不同配置的相变材料（PCM）板（PCMP）：
情况 1：PCM位于电池单体的宽侧表面（XY平面）。
情况 2：PCM位于电池单体的窄侧表面（ZY平面）。
情况 3：PCM包裹在电池单体周围（Fig. 5）。
Fig. 4. Different PCMP configurations: (a) integrated on XY plane; (b) integrated on ZY plane; (c) around the cell.
3. 假设条件：在进行数值模拟之前，做出了以下几项假设以简化研究：
在固态相变过程中，PCM的密度保持不变；
PCM的比热和热导率变化可忽略不计；
未考虑通过辐射散发的热量；
PCM外部边界为绝热。
Fig. 5. Temperature variation with different RT31 thicknesses.
2.5. 验证与校验
1. 网格敏感性分析
Fig.6 展示了在5C放电过程中，电池-2（T2）的温度演变，针对三种不同的数值情况，分别使用了247,287、407,023和673,111个网格单元。
温度响应在这些情况中表现出较小的差异，表明数值结果相对一致。
因此，选择了具有407,023个网格单元的网格结构，该结构在计算效率和准确性之间达到了平衡。 2. 实验验证：
将实验温度数据与对应的数值结果进行比较（Fig. 6）。
图中提供了实验和数值结果的视觉对比，展示了两者之间的良好一致性。 3. 热生成模型的有效性：
电池热生成模型被证明能够有效预测电池单体的热性能。
该模型适合用于进一步研究配备不同热管理系统（BTMS）的电池。
Fig. 6. (a) Temperature variation under different mesh size; (b-c) Comparison with experiment and simulation (error bar is 0.5%).
3. 研究结果
3.1 不同浸没液体下的模拟结果
进行了65个PCM冷却案例的模拟 Fig. 7。
四种不同液体介质应用于复合被动冷却系统的研究。
在自然对流条件下，随着PCM厚度的增加，电池的最大温度下降，且不受PCM热属性影响。
在侧包配置中，复合被动冷却的最大温差为4.84 K。
在整体包和中包配置中，最大温差分别为9.51 K和10.47 K，冷却效果更好。
对于其他冷却系统，进行了240个案例的模拟，需考虑PCM和液体介质的热属性。
比热和密度的乘积更直观地反映了材料对电池的热吸收能力。
热导率影响热传导效率，较高的热导率有助于更高效地散热，降低温度。
Fig. 7：在相同的PCM厚度下，天然对流的冷却效果最差，PAO和MO效果相似，而NOVEC和WG表现最好。
在考虑PCM熔化温度和潜热等因素时，确定最大温度较为复杂。
Fig. 8：Ga和RT31在这些PCM材料中冷却效果最佳。
在相同液体介质下，PCM热导率低于液体时，PCM厚度增加导致最大温度升高；当PCM热导率高于液体时，温度随厚度增加而下降，少数情况下温度变化呈现先降后升的趋势。
PCM厚度与冷却效果的典型变化 Fig. 9
耦合效应的轮廓 Fig. 8。
Fig. 7. The max temperature under different PCM cooling ((a)-(e) From left to right are side pack, whole pack, and mid pack in order).
3.2. 不同PCM下的模拟结果
1. 模拟设置：
采用综合的三维热-电化学模型，模拟结果通过详细的温度数据提供了关于浸没液体影响的方法。
本研究比较了305个案例 Fig. 10。 2. 不同PCM的冷却效果：
由于HA和石蜡的熔化温度较高，它们的冷却效果相对较差，无法达到各自的熔化温度。
相比之下，RT31和Ga的冷却效果较为显著。 3. 不同封装方式的影响：
在相同的PCM和间接液体条件下，整体包（whole pack）和中包（mid pack）配置的最大温度逐渐下降的趋势会逐渐减弱。
整体包配置的冷却效果较为明显。
侧包配置相比于中包和整体包，导致的温差较小，主要因为电池中部的热生成较为集中。 4. PCM厚度的影响：
在中包和整体包配置中，随着PCM厚度的增加，最大温度趋于接近一个固定值，这一趋势不受所使用的直接液体类型的影响。
Fig. 10. The max temperature under different liquid cooling ((a)-(e) From left to right are side pack, whole pack, and mid pack in order).
3.3. 不同封装方式下的模拟结果
1. 最大温度变化趋势：
为了更好地说明不同封装方式下最大温度的变化趋势，侧包配置的最大温度可作为基准案例。
Fig. 11：侧包下最大温差与最大温度的比值，展示了不同封装方式的比较。
当比值大于0时，侧包比其他两种封装方式更优，表明其成本较低且封装效率更高。 2. 不同封装方式的冷却效果：
与侧包配置相比，在大多数情况下，整体包和中包配置的冷却效果更好。
但在使用EG作为PCM且NOEVC条件下，随着PCM厚度的增加，冷却效果会有所下降。
在其他四种液体选项下，随着PCM厚度的增加，冷却效果改善。 3. PCM材料与液体介质的影响：
当使用石蜡和HA作为PCM，且WG或NOVEC作为间接液体时，侧包配置的冷却效果优于整体包和中包配置，但会增加成本和占用空间。
当使用Ga和RT31作为PCM材料时，NOVEC和WG显示出冷却效率逐渐下降的趋势，在某些情况下，冷却效率甚至可能大于0，表明侧包配置更为高效。
Fig. 11. Comparison between different pack under the same PCM.
3.4. ANN优化结果
1. 训练过程：
训练过程开始时，将样本划分为验证集和测试集。
70%的样本用于训练，期间网络根据误差进行调整。
剩余的15%分别用于验证和测试。验证样本用于评估网络的泛化能力，并在没有进一步改进时终止训练。测试样本则用于独立评估网络的表现。
Fig. 12：训练结果，包括误差直方图和回归分析。误差大部分集中在-0.01036至0.1之间。回归分析将预测输出与实际目标值相关联，训练、验证和测试数据集的R值均较高。决定系数（R²）分别为0.99941、0.997和0.99899，反映了ANN模型与数据集之间高度一致的关系，证明了该模型的卓越预测准确性。 2. 均方误差（MSE）：
ANN模型训练效果通过均方误差（MSE）进行评估。为了最小化模型估计误差，架构设计在计算层中为每个输出参数设置了两个节点。
Fig. 13：ANN模型的验证过程，突出显示了最佳验证性能。在第263次训练时，达到了非常低的MSE，显示出模型预测的高度准确性。 3. 训练过程中的细节：
Fig. 13：ANN模型的训练过程，包括梯度、mu值和验证检查。梯度代表学习率和步长，是训练效率的关键。较低的mu值表明训练中使用的LM方法能够迅速精确地收敛，增强了模型的学习能力。
Fig. 14：验证检查，确认到第263次训练时没有验证失败，进一步证明了训练过程的鲁棒性和可靠性。 4. 模型应用与优化：
在训练完成后，开发了一个仿真工具，可以在不同操作参数下预测电池的热性能。
该模型主要分析最大温度和温差，这对于评估电池效率、安全性和寿命至关重要。
优化过程通过ANN模型在多个参数组合组中选择最佳案例。综合考虑所有条件后，能够获得更优的电池包配置，提高其热管理和整体性能。 5. ANN模型的优化效果：
训练过程中研究了240种不同的场景，以涵盖广泛的工作条件。模型包含七个关键因素，分为九个输入（与材料属性和PCM包装相关）和两个输出。
为了进行全面分析，输入参数（如不同状态下的PCM温度）被划分为三个范围。这些范围通过不同的组合方式，创建了177,147种独特的组合。通过比较这些组合的输出，确定了最优的配置。
Fig. 15（使用MATLAB绘制）：所有组合下的最高温度趋势和温差变化。最高温度略有上升趋势，而温差先减小后增加。这些数据有助于选择最有效的电池包设计，考虑其冷却效率和热行为。
与标准模型相比，ANN优化得到的最佳组合使最高温度降低了4.26%，降至1.4256℃，温差减少了10.8%，从13.1930℃降低至14.6186℃。这些改进凸显了模型在优化电池设计方面的能力，提升了热管理效果。
Fig. 12. Related diagrams of the ANN model: (a) Error histogram; (b) Regression analysis.
Fig. 13. Training states of the ANN model.
Fig. 14. Validation performance of the ANN model.
Fig. 15. Numerical results of various operation parameter combination groups (a) Maximum temperature; (b) Temperature difference.
热仿真与验证：通过数值仿真与实验验证，确认了电池热生成模型的准确性。
PCM配置与冷却效果：全包配置提供最佳冷却效果，PCM厚度和液体介质的热导率对冷却效率有显著影响。
不同PCM材料效果：RT31和Ga材料表现出较好的冷却效果，而高熔点PCM（如HA、石蜡）效果较差。
包装方法与冷却效果：全包和中包配置的冷却效果优于侧包配置。
ANN优化与模型预测：通过ANN优化电池热管理系统，找到最佳配置，显著提高了电池的热管理性能。
PDF
