Summary
Her presenterer vi den adaptive simulerte glødningsmetoden (ASAM) for å optimalisere en tilnærmet kvadratisk responsoverflatemodell (QRSM) som tilsvarer et støvete partikkelformet batterivarmestyringssystem og oppfylle temperaturfallene tilbake ved å justere luftstrømhastighetskombinasjonen av systeminntak.
Abstract
Denne studien tar sikte på å løse problemet med celletemperaturstigning og ytelsesnedgang forårsaket av støvete partikler som dekker overflaten av cellen gjennom tildeling av luftstrømningshastigheter ved innløpene til batterikjøleboksen under målet om lavt energiforbruk. Vi tar den maksimale temperaturen på batteripakken ved en spesifisert luftstrømshastighet og støvfritt miljø som forventet temperatur i støvete omgivelser. Batteripakkens maksimale temperatur i støvete omgivelser løses ved forskjellige luftstrømningshastigheter, som er grensebetingelsene for analysemodellen konstruert i simuleringsprogramvaren. Matrisene som representerer de forskjellige luftstrømhastighetskombinasjonene av innløp, genereres tilfeldig gjennom den optimale latinske hyperkubealgoritmen (OLHA), der de nedre og øvre grensene for hastigheter som tilsvarer temperaturene over ønsket temperatur er satt i optimaliseringsprogramvaren. Vi etablerer en omtrentlig QRSM mellom hastighetskombinasjonen og maksimumstemperaturen ved hjelp av tilpasningsmodulen til optimaliseringsprogramvaren. QRSM er optimalisert basert på ASAM, og det optimale resultatet stemmer godt overens med analyseresultatet oppnådd av simuleringsprogramvaren. Etter optimalisering endres strømningshastigheten til midtinnløpet fra 5,5 m/s til 5 m/s, og den totale luftstrømshastigheten reduseres med 3 %. Protokollen her presenterer en optimaliseringsmetode som samtidig vurderer energiforbruk og termisk ytelse til batteristyringssystemet som er etablert, og det kan brukes mye for å forbedre livssyklusen til batteripakken med minimale driftskostnader.
Introduction
Med den raske utviklingen av bilindustrien bruker tradisjonelle drivstoffbiler mye ikke-fornybare ressurser, noe som resulterer i alvorlig miljøforurensning og energimangel. En av de mest lovende løsningene er utviklingen av elektriske kjøretøy (EV)1,2.
Strømbatteriene som brukes til elbiler kan lagre elektrokjemisk energi, som er nøkkelen til å erstatte tradisjonelle drivstoffbiler. Strømbatterier som brukes i elbiler inkluderer litiumionbatteri (LIB), nikkelmetallhydridbatteri (NiMH) og elektrisk dobbeltlagskondensator (EDLC)3. Sammenlignet med de andre batteriene, er litiumionbatterier for tiden mye brukt som energilagringsenheter i elbiler på grunn av fordelene som høy energitetthet, høy effektivitet og lang livssyklus 4,5,6,7.
På grunn av kjemisk reaksjonsvarme og Joule-varme er det imidlertid lett å akkumulere en stor mengde varme og øke batteritemperaturen under hurtiglading og høyintensiv utladning. Den ideelle driftstemperaturen til LIB er 20-40 °C 8,9. Den maksimale temperaturforskjellen mellom batteriene i en batteristreng bør ikke overstige 5 °C10,11. Ellers kan det føre til en rekke risikoer som temperaturubalanse mellom batteriene, akselerert aldring, til og med overoppheting, brann, eksplosjon og så videre12. Derfor er det kritiske problemet som skal løses, å designe og optimalisere et effektivt batteristyringssystem (BTMS) som kan kontrollere temperaturen og temperaturforskjellen til batteripakken innenfor en smal.
Typiske BTMS inkluderer luftkjøling, vannkjøling og faseendringsmaterialkjøling13. Blant disse kjølemetodene er luftkjølingstypen mye brukt på grunn av dens lave kostnader og enkelhet i strukturen14. På grunn av luftens begrensede spesifikke varmekapasitet er det lett å oppstå høye temperaturer og store temperaturforskjeller mellom battericeller i luftkjølte systemer. For å forbedre kjøleytelsen til luftkjølte BTMS, er det nødvendig å designe et effektivt system 15,16,17. Qian et al.18 samlet batteripakkens maksimale temperatur- og temperaturforskjell for å trene den tilsvarende bayesianske nevrale nettverksmodellen, som brukes til å optimalisere celleavstandene til seriens luftkjølte batteripakke. Chen et al.19 rapporterte ved hjelp av Newton-metoden og strømningsmotstandsnettverksmodellen for optimalisering av bredden på innløpsdivergensplenum og utløpskonvergensplenum i Z-type parallelt luftkjølt system. Resultatene viste en 45% reduksjon i temperaturforskjellen i systemet. Liu et al.20 samplet fem grupper av kjølekanalene i J-BTMS og oppnådde den beste kombinasjonen av celleavstander ved ensemble-surrogatbasert optimaliseringsalgoritme. Baveja et al.21 modellerte en passivt balansert batterimodul, og studien beskrev effekten av termisk prediksjon på passiv balansering på modulnivå og omvendt. Singh et al.22 undersøkte et batteri termisk styringssystem (BTMS) som brukte innkapslet faseendringsmateriale sammen med tvungen konvektiv luftkjøling designet ved hjelp av den koblede elektrokjemisk-termiske modelleringen. Fan et al.23 foreslo en flytende kjøleplate som består av en flertrinns Tesla-ventilkonfigurasjon for å gi et sikrere temperaturområde for et prismatisk litiumionbatteri med høy anerkjennelse i mikrofluidiske applikasjoner. Feng et al. 24 brukte variasjonskoeffisientmetoden for å evaluere ordningene med forskjellige innløpsstrømningshastigheter og batteriklaringer. Talele et al.25 introduserte veggforsterket varmeisolasjon for pyroforing for å lagre potensiell generert oppvarming basert på optimal plassering av varmefilmer.
Når man bruker luftkjølende BTMS, vil metallstøvpartikler, mineralstøvpartikler, byggematerialer, støvpartikler og andre partikler i det ytre miljøet føres inn i den luftkjølende BTMS av blåseren, noe som kan føre til at overflaten på batteriene dekkes med DPM. Hvis det ikke er noen varmespredningsplan, kan det føre til ulykker på grunn av for høy batteritemperatur. Etter simulering tar vi den maksimale temperaturen på batteripakken i en spesifisert luftstrømhastighet og støvfritt miljø som forventet temperatur i et støvete miljø. For det første refererer C-rate til gjeldende verdi som kreves når batteriet frigjør sin nominelle kapasitet innen den angitte tiden, som er lik et multiplum av batteriets nominelle kapasitet i dataverdien. I denne artikkelen bruker simuleringen 2C-hastighetsutladning. Nominell kapasitet er 10 Ah, og den nominelle spenningen er 3, 2 V. Litiumjernfosfat (LiFePO4) brukes som det positive elektrodematerialet, og karbon brukes som det negative elektrodematerialet. Elektrolytten har elektrolyttlitiumsalt, et organisk løsningsmiddel med høy renhet, nødvendige tilsetningsstoffer og andre råvarer. Den tilfeldige matrisen som representerte de forskjellige hastighetskombinasjonene ved innløpene ble bestemt gjennom OLHA, og en 2. ordens funksjon mellom batteripakkens maksimale temperatur og innløpshastighetskombinasjonen ble satt opp under forutsetning av å kontrollere nøyaktigheten av kurvetilpasningen. Latin hypercube (LH) design har blitt brukt i mange dataeksperimenter siden de ble foreslått av McKay et al.26. En LH er gitt av en N x p-matrise L, hvor hver kolonne av L består av en permutasjon av heltallene 1 til N. I dette papiret brukes den optimale latinske hyperkubeprøvemetoden for å redusere beregningsbyrden. Metoden bruker stratifisert prøvetaking for å sikre at prøvetakingspunktene kan dekke alle prøvetakingsinterne.
I det følgende trinnet ble kombinasjonen av innløpsstrømningshastighet optimalisert for å redusere batteripakkens maksimale temperatur i et støvete miljø basert på ASAM under forutsetning av å vurdere energiforbruket samtidig. Den adaptive simulerte glødealgoritmen har blitt omfattende utviklet og mye brukt i mange optimaliseringsproblemer27,28. Denne algoritmen kan unngå å bli fanget i et lokalt optimalum ved å akseptere den verste løsningen med en viss sannsynlighet. Det globale optimale oppnås ved å definere akseptsannsynlighet og temperatur; Beregningshastigheten kan også justeres ved hjelp av disse to parameterne. Til slutt, for å kontrollere nøyaktigheten av optimaliseringen, ble det optimale resultatet sammenlignet med analyseresultatet oppnådd fra simuleringsprogramvaren.
I dette papiret foreslås en optimaliseringsmetode for innløpsstrømningshastigheten til batteriboksen for batteripakken hvis temperatur stiger på grunn av støvdeksel. Hensikten er å redusere maksimumstemperaturen på den støvbelagte batteripakken til under maksimumstemperaturen på den ikke-støvbelagte batteripakken i tilfelle lavt energiforbruk.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
MERK: Veikartet for forskningsteknologi er vist i figur 1, der modellerings-, simulerings- og optimaliseringsprogramvaren brukes. De nødvendige materialene vises i materialfortegnelsen.
1. Opprette 3D-modellen
MERK: Vi brukte Solidworks til å lage 3D-modellen.
- Tegn et rektangel på 252 mm x 175 mm, klikk Ekstruder boss/base, og skriv inn 73. Opprett et nytt plan 4 mm fra ytre overflaten.
- Tegn et rektangel 131 mm x 16 mm og klikk Lineært skissemønster. Skriv inn 22 og 6 i henholdsvis avstand og antall forekomster. Merk alle fire sidene av rektanglet, og klikk OK. Skriv inn 180 i vinkel og kjør den igjen. Dette trinnet er for symmetri i midten av modellen.
- Klikk Ekstruder Kutt ut, skriv inn 65, og klikk OK. Klikk Ekstruder sjef / base og skriv inn 65, fjern merket for Slå sammen resultat, og klikk Reverser retning og OK.
Når det ikke er merket av for fletteresultatet, blir den strukkede enheten en separat enhet. Det er totalt 23 deler, inkludert 11 batterier, 11 støvete partikler og 1 luftdomene. - Tegn et rektangel 16 mm x 1 mm. Gjenta trinn 1.2 og 1.3.
- Tegn et rektangel 63 mm x 15 mm, klikk rektangelets øvre kant og lineært skissemønster. Skriv inn 21, 3 og 270, og klikk OK. Klikk Del linje og kubens forside, klikk OK.
- Tegn et rektangel 63 mm x 15 mm. Klikk Del linje og kubens forside, klikk OK.
- Klikk på Fil og lagre den som en X_T fil.
MERK: Den angitte størrelsen:L-boks: 73 mm; Bboks: 252 mm; H-boks:175 mm; Lb, Ld: 65 mm; Wb, Wd: 10 mm; Hb:131 mm; Hd:1 mm; Li:63 mm; Wi:15 mm; d1, d2:5 mm, d3:6 mm er vist i figur 2. - Dra nettkomponenten ved å klikke Verktøykasse > Komponentsystemer > Mesh til prosjektets skjematiske sone. Importer den tidligere lagrede X_T filen ved å klikke Geometri.
- Gå inn i mesh-design modeler-vinduet, og batteripakkemodellen, inkludert 23 deler som uavhengige organer, vises igjen ved å klikke på Generer.
- Velg alle 23 delene av batteriet for å være en ny del kalt batteridel, alle støvete partikler på 23 deler som støvdel, og lufthulrom som luftdel, i treomrisset for enkelhets skyld å skjule og navngi gjenstander.
- Høyreklikk først på BatteryPart og DustPart og velg Skjul del slik at popup-vinduet bare viser luftdelen.
- Flytt musen til valgverktøylinjen for å velge Utvalgsfilter: Kropper, høyreklikk på lufthulemodellen i grafikksonen for å velge Navngitt utvalg, og gi nytt navn til lufthulemodellen i detaljvisningssonen som luftdomene.
- Bytt til utvalgsfilter: Ansikter, høyreklikk og gi nytt navn til overflaten som er delt i tre deler, fra bunn til topp, som innløp1, innløp2 og innløp3, den separate overflaten til høyre for disse tre flatene kalles henholdsvis utløp, den gjenværende ytre overflaten kalles henholdsvis ytreBorder.
- Bytt valgmodus til boksvelgeren, klikk på Y-aksen for å få en passende visning av lufthulemodellen for å gjøre det enklere å velge boks, gi nytt navn til og nummerere alle indre overflater som hulromsoverflate1 til hulromsoverflate11 ved hjelp av boksvalg.
- For å vise bare batteryPart, høyreklikk airPart og velg Skjul del. Høyreklikk batteryPart og velg Vis del på hurtigmenyen.
- Flytt musen til valgverktøylinjen for å velge Utvalgsfilter: Kropper, bytt Velg-modus til Enkeltvalg, høyreklikk på Hver batterimodell i grafikksonen for å velge navngitt utvalg, gi nytt navn til og nummerer de 11 batterimodellene i detaljvisningssonen som henholdsvis batteryDomain1 til batteryDomain11.
- Videre har hver batterimodell seks sider, og bytt deretter til utvalgsfilter: ansikter, høyreklikk på hver side av de nummererte batteridomenene for å velge navngitt utvalg og gi dem nytt navn i henhold til retningen på batterisiden. Du kan for eksempel endre navn på seks sider av det nummererte batteryDomain1 som batteryDomain1_Upper, batteryDomain1_Lower, batteryDomain1_Left, batteryDomain1_Right, batteryDomain1_Front og batteryDomain1_Back.
- For å vise bare dustPart, høyreklikk batteryPart og velg Skjul del. Høyreklikk dustPart og velg Vis del på hurtigmenyen.
- Flytt musen til markeringsverktøylinjen for å velge markeringsfilteret: Kropper, høyreklikk hver støvete svevestøvmodell i grafikksonen for å velge Navngitt markering, gi nytt navn til og nummerer de 11 støvete svevestøvmodellene i detaljvisningssonen som henholdsvis dpmDomain1 til dpmDomain11.
- Videre har hver støvete svevestøvmodell seks sider; bytt deretter til utvalgsfilteret: ansikter, høyreklikk på hver side av de nummererte dpmDomains for å velge Named Selection og gi dem nytt navn i henhold til orienteringen til den støvete partikkelformige materiesiden. Du kan for eksempel endre navn på seks sider av nummerert dpmDomain1 som dpmDomain1_Upper, dpmDomain1_Lower, dpmDomain1_Left, dpmDomain1_Right, dpmDomain1_Front og dpmDomain1_Back.
- Vis alle kroppene og gå tilbake til det første vinduet igjen.
2. Generer maskemodellen
MERK: Endelig elementnetting er et svært viktig trinn i numerisk simuleringsanalyse av endelig element, noe som direkte påvirker nøyaktigheten av påfølgende numeriske analyseresultater. De omdøpte enhetene blir deretter meshed.
- Hvis du vil koble sammen luftdomenet, batteridomenet og dpm-domenet uavhengig av hverandre, drar du to Mesh-komponenter igjen fra Toolbox > Component Systems > Mesh til prosjektets skjematiske sone og gir dem nytt navn til henholdsvis airFEM, batteryFEM, og dpmFEM. Hold airFEM > Geometri med venstre museknapp og dra den til batteriFEM > Geometri.
- Deretter holder du batteryFEM > Geometry med venstre museknapp og drar den til dpmFEM > Geometry. Høyreklikk linjene mellom de tre nettkomponentene, og velg Slett for å fjerne tilknytningen til hverandre.
- Dobbeltklikk på airFEMs Mesh, gå inn i maskevinduet, høyreklikk batteryPart og dustPart for å velge Suppress Body, og endre den fysiske preferansen fra mekanisk til CFD. Generer FEM air-domenemodellen gjennom flatestørrelsen på 2 mm og karosseristørrelsen på 4 mm ved å klikke på Oppdater og gå tilbake til det opprinnelige vinduet.
- Dobbeltklikk batteryFEMs Mesh, gå inn i maskevinduet, høyreklikk airPart og dustPart for å velge Suppress Body, og endre den fysiske preferansen fra Mechanical til CFD. Generer FEM-batteridomenemodellen gjennom karosseristørrelsen 2 mm ved å klikke på Oppdater og gå tilbake til det opprinnelige vinduet.
- Dobbeltklikk på dpmFEMs Mesh, gå inn i maskevinduet, høyreklikk airPart og batteryPart for å velge Suppress Body, og endre den fysiske preferansen fra Mekanisk til CFD. Generer FEM dpm domenemodellen gjennom kroppsstørrelse 2 mm ved å klikke Oppdater, gå tilbake til det opprinnelige vinduet.
MERK: Figur 3A viser rutenettet til luftdomenet, figur 3B viser rutenettet til batteridomenet, og figur 3C viser rutenettet til dpm-domenet. - Sett minimumsstørrelsen på luftnettet til 4 mm og minimumsstørrelsen på batteriet og støvete partikkelnettet til 2 mm. Sørg for at nettet er løsningsuavhengig, endre minste cellestørrelse på rutenettet og utfør en nettfølsomhetsstudie.
MERK: Som vist i figur 4, med antall nett som øker fra 519343 til 1053849, er de maksimale batteritemperaturendringene mindre enn 0,6 K. Med tanke på beregningsevnen og nøyaktigheten, er følgende analyse basert på rutenettmodellen med 931189 rutenett.
3. Simulering analyse
- Dra Flytende flyt fra Verktøykasse > Analysesystemer > Flytende flyt inn i prosjektets skjematiske sone. Hold airFEM > Mesh, deretter batteryFEM > Mesh og dpmFEM > Mesh med venstre museknapp og dra dem til Fluid Flow > Setup. Høyreklikk Fluid Flow > Setup og velg Oppdater for å gå inn i det angitte vinduet.
- Bekreft gyldigheten av FEM-modellen og kontroller om nettet har et negativt volum. Programvaren foreslår automatisk volumet på modellen, og en rimelig modellverdi er positiv. Hvis det er noe problem med det delte rutenettet eller modellinnstillingene, vil en feilmelding dukke opp for å fortelle.
- Aktiver energiligningen i varmeoverføringsmodeller. Skriv inn innstillingsgrensesnittet til den viskøse modellen og strålingsmodellen og velg K-epsilonmodellen og den diskrete ordinatmodellen.
MERK: Som vist i figur 5, sammenligning av fire viskøse modeller, er beregningsresultatene av Spalart-Allmaras-modellen ganske forskjellige fra andre modeller. Resultatene av Standard K-epsilon-modellen er som for andre K-epsilon-modeller. Standard K-epsilon-modellen med høyere stabilitet og økonomi er mye brukt; Følgende analyse er basert på Standard K-epsilon-modellen. - Still inn de nye materialene med forskjellige attributter for luftmateriale, batterimateriale, dpm-materiale og batteriboksmateriale basert på tabell 1.
MERK: Inne i batteripakken er det tre forskjellige fysiske materialer: luft som væske og resten som et fast stoff. Deretter setter du opp materialet.- Endre væsketypen for de nummererte batteridomenene til Solid-typen og endre dpm-materialet til batterimaterialet i Helstoff-vinduet ved å dobbeltklikke på hvert batteridomene. Deretter velger du elementet Kildetermer og klikker på de uthevede kildetermene for å legge til en energikilde ved å tilordne tallet i antall energikilder og velge Konstant type for å angi verdien på 209993 w/m3.
- Endre væsketypen for de nummererte dpm-domenene til Heldekkende type.
- Deretter setter du grensesnittet for simuleringsberegning av flere forskjellige domener i henhold til den faktiske innstillingen strømningshastighet og varmeoverføringskoeffisient som beskrevet nedenfor.
- Konverter typen av alle omdøpte overflater, inkludert de indre overflatene av luftdomenet og alle sider av batteridomenene, samt dpm-domener fra standardveggen til grensesnittet. Når trinnene ovenfor er fullført, genereres maskegrensesnittene umiddelbart.
- Klikk på Mesh-grensesnittene og gå inn i vinduet Opprett / rediger mesh-grensesnitt . Tilpass hulromsflatene til alle sider unntatt batteridomenets øvre sider og dpm domians nedre sider. Deretter navngir og nummererer du dem som henholdsvis grensesnitt1 til grensesnitt11. Så de 11 mesh-grensesnittene kan opprettes blant luftdomenet og batteridomenene samt DPM-domener.
- Match batteridomenenes øvre sider og DPM-domenenes nedre sider. Deretter navngir og nummererer du dem som henholdsvis grensesnitt12 til grensesnitt22. Deretter opprettes de 11 mesh-grensesnittene mellom batteridomenene og dpm-domenene.
- Tilordne overflaten av den ytre grensen som veggens termiske grensetilstand ved å sette varmeoverføringskoeffisienten som 5 i blandet termisk tilstand og endre materialet fra standard aluminium til det tidligere selvdefinerte batteriboksmaterialet.
- Still inn luftstrømshastighetene for alle innløp til 5 m/s i innløpsvinduet og målertrykket til utløpet som null i trykkutløpsvinduet.
- Deretter angir du tilstanden til databehandlingsdomenet i utgangspunktet, for eksempel den opprinnelige temperaturen på 300 K, noe som vil påvirke prosessen med databehandlingskonvergens.
- Angi typen løsningsinitialisering som standard initialisering før initialisering.
- Angi antall gjentakelser som 2000.
- Klikk Beregn for å simulere. Gå tilbake til det første vinduet til simuleringen er ferdig.
- Ovennevnte del fullfører simuleringsberegningen av temperatur og lufthastighet inne i batteripakken og viser deretter simuleringsresultatet i Resultat. Utfør følgende trinn i resultatene som vises.
- Dobbeltklikk på Fluid Flow > Results for å gå inn i CFD-innleggsvinduet, og klikk deretter på ikonet for Contour i verktøykassen.
- Velg Alle sider av batteriene i posisjonsvelgeren og endre trykket til temperatur. Klikk deretter Bruk for å generere temperaturkonturen til batteriene.
- Klikk Fil > eksporter for å velge temperaturen for de(n) valgte variabelen(e). Klikk på rullegardinknappen for stedene for å åpne posisjonsvelgervinduet der alle batteridomener skal velges. Klikk OK og Lagre-knappen for å avslutte.
MERK: Et regneark med data som tilsvarer temperaturene på alle batterienes nettnoder, lagres automatisk når du klikker på lagre-knappen. - Åpne regnearket for å finne maksimumsverdien, som indikerer maksimal temperatur på batteriene i støvete omgivelser ved 5 m/s av alle luftstrømsinntak.
- Oppnå maksimal temperatur på batteriene under fritt støv-tilstand som forventet temperatur og sammenlign den med maksimal temperatur under støvete tilstand; Resultatet viser at hele temperaturen øker.
MERK: For å oppnå maksimal temperatur på batterier i et støvfritt miljø, bør den nye batteripakkemodellen vist i figur 6 gjenopprettes, og alle trinnene 1.1-3.4.3 bør gjentas. - For å senke maksimumstemperaturen inne i batteripakken, still inn luftstrømshastighetene ved inntakene fra 5 m/s til 6 m/s, øk med 5 % og beregn tilsvarende maksimumstemperatur for de støvbelagte batteriene.
MERK: Sensitivitetsanalysen av luftstrømhastighetsparametere bør gjøres i god tid før du endrer parameterverdiene. Som vist i figur 7 og tabell 2 har vi beholdt den samme totalstrømmen for hver av de syv gruppene med forskjellige kombinasjoner av innløpsluftstrømshastighet. Det er fortsatt en åpenbar variasjon i maksimumstemperaturen på grunn av forskjellen i fordeling av luftstrømshastighet. Med andre ord er det på en eller annen måte en sterk sammenheng mellom luftstrømhastighetskombinasjonen og maksimumstemperaturen. Derfor kan disse hastighetsparametrene brukes som designvariabler. - Plott temperaturhastighetskurven som vist i figur 8, der den røde linjen indikerer temperaturkarakteristikkkurven avtar med økningen av luftstrømshastigheten, og den blå linjen representerer forventet temperatur.
- Opprettholde en økning i luftstrømhastigheten på 10%. Når hastighetsøkningen er over 10%, er maksimumstemperaturen allerede lavere enn forventet temperatur, men dette oppfyller ikke formålet med lavt energiforbruk. For gjenværende luftstrømningshastighet, reduser batteripakkens maksimale temperatur til forventet temperatur gjennom optimalisering, og oppnå dermed målet om lavt energiforbruk.
4. Optimal Latin hypercube prøvetaking og respons overflate modellering
MERK: For de tilbakeholdte strømningshastighetene på 5 m/s-5,5 m/s velges prøver for å konstruere forskjellige strømningshastighetskombinasjoner innenfor dette strømningshastighetsområdet. Hastighetskombinasjonene simuleres for å oppnå maksimal temperatur. Konstruer funksjonen av hastighet og maksimal temperatur.
- Åpne et nytt, tomt regneark for å opprette en tabell der radene i den første kolonnen heter inlet1, inlet2 og inlet3, og lagre filen som sampling.xlsx.
- Kjør optimaliseringsprogramvaren og dra regnearkikonet til enkeltpilen i oppgave 1. Deretter dobbeltklikker du på regnearkikonet for å åpne vinduet Component Editor-Excel.
- Importer sampling.xlsx ved å klikke Bla gjennom-knappen , og tilordne innløp1, innløp2 og innløp3 til parameterne A1, A2 og A3 som parametere ved å klikke på Legg til denne tilordningen. Klikk på OK-knappen for å gå tilbake til det første vinduet.
- Dra DOE-ikonet til Task1 og dobbeltklikk på det for å åpne Component Editor-DOE-vinduet. Velg OptimOKal Latin Hypercube og angi antall poeng som 15 i vinduet Generelt.
- Bytt til Faktorer-vinduet og sett 5,5 som øvre grense og 5 som nedre grense for A1, A2 og A3.
- Bytt til Design Matrix-vinduet og klikk Generer for å generere de tilfeldige prøvepunktene som tilsvarer de forskjellige innløpshastighetene. Avslutt optimaliseringsprogramvaren.
- Ta hastighetskombinasjonsmatrisene til de tilfeldige prøvetakingspunktene tilbake for å beregne og gjenta trinn 3.5.5-3.7.5 for å oppnå den tilsvarende temperaturmatrisen som består av maksimale temperaturer for batterier.
- Kombiner prediktorvariablene x1, x2 og x3 i hastighetskombinasjonsmatrisene og y for temperaturmatrisene for å danne en ny tabell med variabler, som vist i tabell 3, og lagre den som en sample.txt fil. Importer filen slik at den passer til en responsoverflatemodell.
- Kjør optimaliseringsprogramvaren på nytt, og dra tilnærmingsikonet til enkeltpilen i Oppgave1. Dobbeltklikk på Oppgave1-ikonet for å åpne vinduet for tilnærming av komponentredigering for å velge Response Surface Model.
- Bytt til Datafil-vinduet , og importer sample.txt-filen som inneholder prediksjonsvariablene.
- Bytt til parametervinduet og klikk på Skann for å åpne parameterne i datafilvinduet der prediktorvariablene x1, x2 og x3 er definert som input og y som utdata.
- Bytt til vinduet Teknikkalternativer , og velg Kvadratisk i polynomrekkefølge. Bytt til vinduet Alternativer for feilanalyse, og velg Kryssvalidering i feilanalysemetoden.
- Bytt til vinduet Vis data og klikk Initialiser nå for å få koeffisientene til den kvadratiske lineære regresjonsligningen.
- Klikk på Feilanalyse-knappen for å åpne vinduet for analyse av tilnærmingsfeil for å kontrollere om feilene kan tilfredsstille de akseptable standardene for hver feiltype. Lukk vinduet for tilnærmingskomponenten. Hvis den vilkårlige feilen ikke kan tilfredsstille de tilsvarende akseptable standardene, legger du til flere prøvepunkter for å delta i modelltilpasningen.
5. Adaptiv simulert glødealgoritmebasert omtrentlig tilpasningsmodell
MERK: Deretter brukes programvare og algoritme for å finne den optimale verdien av den omtrentlige modellen
- Dra optimaliseringsikonet til Oppgave1 og dobbeltklikk på det for å åpne vinduet for optimalisering av komponentredigeringsprogrammet. Velg Adaptive Simulated Annealing (ASA) i optimaliseringsteknikken.
- Bytt til vinduet Variabler for å angi 5,5 som øvre grense og 5 som nedre grense.
- Bytt til Mål-vinduet og velg parameteren Y før du lukker vinduet for optimalisering av komponentredigeringsprogrammet.
- Klikk på Kjør optimalisering-knappen og vent på optimaliseringsresultatet.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Etter protokollen er de tre første delene de viktigste, som inkluderer modellering, meshing og simulering, alt for å få maksimal temperatur på batteripakken. Deretter justeres luftstrømshastigheten ved prøvetaking, og til slutt oppnås den optimale strømningshastighetskombinasjonen ved optimalisering.
Figur 9 viser sammenligningen av batteripakkens temperaturfordeling i forskjellige miljøer, og figur 10 viser sammenligningen av den andre batteritemperaturfordelingen i forskjellige miljøer. Som vist i figur 9 og figur 10, økes temperaturen på batteriet under støvete tilstand til et visst nivå på grunn av den lave varmeledningsevnen til DPM (støvete partikler).
For å justere batteriets temperaturfordeling, still inn luftstrømningshastighetene ved innløpene fra 5 m / s til 6 m / s, øk med 5% under den støvete modellen, og oppnå maksimale temperaturer ved hver luftstrømhastighet. Når luftstrømningshastigheten ble økt med 15 % og 20 %, falt maksimumstemperaturen til batteripakken under støvete tilstand under maksimumstemperaturen til batteripakken under fritt støv-tilstand, som vist i figur 8. Med tanke på energiforbruket er den maksimale innløpshastigheten satt til 5,5 m/s (økt med 10 %) for å redusere den maksimale temperaturen på batteripakken i støvete tilstand.
Ved etablering av kvadratisk QRSM beregnes minimum antall prøver med (N + 1) x (N + 2) / 2, hvor N er antall testvariabler. Det er tre designvariabler i denne artikkelen, som er innløpshastighetene og minimum antall prøver er 10. For å etablere en responsoverflatemodell med høy tilpasningsnøyaktighet ble 15 prøver valgt ved hjelp av DOE-komponenten i optimaliseringsprogramvareplattformen. Den minste kvadratiske metoden brukes til å fullføre tilpasningen av responsflaten mellom den maksimale temperaturen på batteripakken oppnådd av simuleringsprogramvaren og tre innløpshastigheter. Den tilnærmede responsflatemodellen er etablert som følger:
R2 måler den generelle tilpasningen til regresjonsligningen og uttrykker det samlede forholdet mellom den avhengige variabelen og alle uavhengige variabler. R2 er lik forholdet mellom regresjonssummen av kvadrater og den totale summen av kvadrater, det vil si prosentandelen av variabiliteten til den avhengige variabelen som regresjonsligningen kan forklare. Jo nærmere verdien av R2 er 1, desto bedre passer regresjonskurven til den observerte verdien.
Feilanalysen av beregningsresultatene viser at R2 er 0,93127, som vist i figur 11, som viser at andreordens polynomresponsoverflateapproksimasjonsmodell har god tilpasningsnøyaktighet.
Til slutt brukes adaptiv simulert glødning (ASA) som optimaliseringsmetode for å finne optimale kombinasjoner av innløpshastighet. Maksimalt antall genererte design er 10.000, antall design for konvergenskontroll er 5, og konvergensepsilon er 1.0 x 10-8. Den relative frekvensen av parameterglødning, kostnadsannealing, parameterslukking og kostnadsslukking var den samme verdien på 1.
Maksimal temperatur på batteripakken oppnådd ved optimalisering var 309.391420 K. Inntakenes luftstrømningshastigheter er 5,5 m/s, 5m/s og 5,5 m/s. For å bekrefte nøyaktigheten ble det optimale tilfellet analysert av simuleringsprogramvaren. Tabell 4 viser sammenligningen mellom optimaliserings- og simuleringsverifikasjonsresultatene. Det kan sees at feilen i batteripakkens maksimale temperatur er innenfor 0.001% under tre forhold med innløpsluftstrøm, noe som indikerer at optimaliseringsmetoden som er vedtatt i dette arbeidet, er effektiv og gjennomførbar.
Sammenligningen av den andre batteritemperaturfordelingen under de forskjellige luftstrømshastighetene for innløp er vist i figur 12, og sammenligningen av batteripakkens temperaturfordeling før og etter optimalisering er vist i figur 13. Tabell 5 viser de spesifikke verdiene for maksimumstemperaturene og kombinasjonene av luftstrømningshastigheter. Når luftstrømningshastighetene til innløp 1-3 er henholdsvis 5,5 m/s, 5,5 m/s og 5,5 m/s, er batteripakkens maksimale temperatur 309,426208 K. Etter optimalisering er luftstrømningshastigheten til innløp 1-3 5,5 m / s, 5m / s og 5,5 m / s, og maksimal temperatur på batteripakken er 309,392853 K. Det skal bemerkes at summen av luftstrømningshastigheter for det optimaliserte tilfellet vist i figur 12B er mindre enn summen av luftstrømningshastigheter i tilfellet vist i figur 12A. Maksimumstemperaturen øker imidlertid ikke med redusert luftstrømhastighet. Den optimaliserte batteripakken sammenlignes også med den første batteripakken (det vil si at luftstrømningshastighetene til de tre innløpene er alle 5 m / s, og batteriene er dekket med DPM). Figur 14 sammenligner strømningslinjefordelingen før og etter optimalisering, og man kan se at strømningslinjefordelingen etter optimalisering er bredere. Figur 15 sammenligner effekten av hver faktor på temperaturen; Faktor X1 har størst innflytelse på temperaturen. Faktorene x1 og x3 har lignende effekter på temperaturen. I et ord reduseres den totale luftstrømhastigheten med 3%, og batteripakkens maksimale temperatur reduseres til forventet temperatur (det vil si maksimal temperatur på batteripakken under støvfri tilstand).
Optimaliseringsmetoden kan brukes mye for å forbedre livssyklusen til batteripakken med lavt energiforbruk.
Figur 1: Det tekniske veikartet. Denne figuren beskriver den detaljerte simulerings- og optimaliseringsprosessen i henhold til forskningsinnholdet, inkludert forskningsobjekter, metoder, løsninger, modellering, simulering og optimaliseringsprogramvare. Klikk her for å se en større versjon av denne figuren.
Figur 2: En 3D-modell av litiumionbatterier i støvete omgivelser. 3D-modellen av LIB-pakken, som kan lagres som en X_T-fil og importeres til simuleringsprogramvare for å simulere, tegnes av modelleringsprogramvare. Klikk her for å se en større versjon av denne figuren.
Figur 3: Rutenettdiagram. (A) Denne figuren viser rutenettet til luftdomenet. (B) Denne figuren viser rutenettet til batteridomenet. (C) Denne figuren viser rutenettet til DPM-domenet. Klikk her for å se en større versjon av denne figuren.
Figur 4: Test av nettuavhengighet. X-aksen er det forskjellige totale antall rutenett i maskemodellen, og Y-aksen er temperatur. Klikk her for å se en større versjon av denne figuren.
Figur 5: Viskøs modelltest. X-aksen er typen viskøs modell, tallet 1 representerer Standard k-epsilon-modellen, tallet 2 representerer RNG k-epsilon-modellen, tallet 3 representerer den realiserbare k-epsilon-modellen, tallet 4 representerer Spalart-Allmaras-modellen, Y-aksen er temperatur. Klikk her for å se en større versjon av denne figuren.
Figur 6: 3D-modell av litiumionbatterier i et støvfritt miljø. 3D-modellen av LIB-pakken, som kan lagres som en X_T-fil og importeres til simuleringsprogramvare for å simulere, tegnes av modelleringsprogramvare. Klikk her for å se en større versjon av denne figuren.
Figur 7: Analyse av parameterfølsomhet. Tallet på x-aksen representerer den niende kombinasjonen av innløpsluftstrømningshastigheter. For eksempel representerer tallet 5 hastighetskombinasjonen (3,5,7) som tilsvarer 3 m/s ved innløp1, 5 m/s ved innløp2, 7 m/s ved innløp3. Tilsvarende representerer nummer 1,2,3,4,6 den forskjellige luftstrømshastighetskombinasjonen av henholdsvis (5,5,5), (4,5,6), (5,6,4), (5,4,6), (3,5,7), (5,3,7), (5,7,3). Y-aksen er temperatur. Klikk her for å se en større versjon av denne figuren.
Figur 8: Variasjon i batteripakkens temperatur ved forskjellige luftstrømningshastigheter for innløp. Figuren viser at den maksimale batteripakketemperaturen synker med økningen av innløpsluftstrømhastigheten. X-aksen er hastigheten på luftstrømshastighetsøkningen ved innløp. Y-aksen er temperatur. Klikk her for å se en større versjon av denne figuren.
Figur 9: Sammenligning av batteripakkens temperaturfordeling i forskjellige miljøer. (A) Denne figuren viser temperaturfordelingen til batteripakken i et støvfritt miljø. (B) Denne figuren viser temperaturfordelingen til batteripakken i et støvete miljø, hvorfra temperaturen er høyest i batteri nummer 2. Klikk her for å se en større versjon av denne figuren.
Figur 10: Sammenligning av batteritemperaturfordeling nummer 2 i forskjellige miljøer. (A) Denne figuren viser temperaturfordelingen til batteri nummer 2 i et støvfritt miljø. (B) Denne figuren viser temperaturfordelingen til batteri nummer 2 i støvete omgivelser. Klikk her for å se en større versjon av denne figuren.
Figur 11: Feilanalyse av tilnærmingsresponsoverflatemodell. Figuren indikerer at den kvadratiske polynomiske responsflatetilnærmingsmodellen har god tilpasningsnøyaktighet. Klikk her for å se en større versjon av denne figuren.
Figur 12: Sammenligning av batteriets temperaturfordeling nummer 2 under forskjellige innløpsluftstrømningshastigheter. (A) Denne figuren viser temperaturfordelingen til nummer 2-batteriet ved bare å øke selve innløpsluftstrømhastigheten. (B) Denne figuren viser temperaturfordelingen til batteri nummer 2 etter optimalisering av innløpsluftstrømhastigheten. Klikk her for å se en større versjon av denne figuren.
Figur 13: Sammenligning av batteripakkens temperaturfordeling før og etter optimalisering. (A) Denne figuren viser temperaturfordelingen til batteripakken i støvete omgivelser uten optimalisering. (B) Denne figuren viser temperaturfordelingen til batteripakken i støvete omgivelser etter optimalisering. Klikk her for å se en større versjon av denne figuren.
Figur 14: Sammenligning av strømlinjeformet distribusjon av batteripakken før og etter optimalisering. (A) Denne figuren viser strømlinjeformet fordeling av batteripakken i støvete omgivelser uten optimalisering. (B) Denne figuren viser strømlinjeformet distribusjon av batteripakken i støvete omgivelser etter optimalisering. Klikk her for å se en større versjon av denne figuren.
Figur 15: Påvirkning av tre faktorer på temperatur. (A) Denne figuren viser effekten av x1 og x2 på temperaturen. (B) Denne figuren viser effekten av x1 og x3 på temperaturen. Klikk her for å se en større versjon av denne figuren.
| Navn på mediet | ρ/kg·m-3 | C/J· (kg · K)-1 | K/W (m·K)-1 |
| luft Materiale | 1.225 | 1006.43 | 0.0242 |
| batteri Materiale | 1958.7 | 733 | kx=3,6,ky=kz=10,8 |
| dpm Materiale | 2870 | 910 | 1.75 |
| batteriboks Materiale | 7930 | 500 | 16.3 |
Tabell 1: Materialegenskaper. Materialegenskapene som tilsvarer luft, batteri, støvete partikler og batteriboks vil bli brukt i parameterinnstillingene til simuleringsprogramvaren.
| Nummer | Innløp1(m/s) | Innløp2(m/s) | Innløp3(m/s) | Maksimal temperatur på batteripakken (K) |
| 1 | 5 | 5 | 5 | 309.72049 |
| 2 | 4 | 5 | 6 | 309.26413 |
| 3 | 5 | 6 | 4 | 309.703369 |
| 4 | 5 | 4 | 6 | 309.389038 |
| 5 | 3 | 5 | 7 | 311.54599 |
| 6 | 5 | 3 | 7 | 308.858704 |
| 7 | 5 | 7 | 3 | 309.801086 |
Tabell 2: Analyse av parameterfølsomhet. Tabellen viser de syv kombinasjonene av innløpsluftstrømshastigheter og tilsvarende maksimumstemperatur for batteripakken. For eksempel representerer tallet 5 hastighetskombinasjonen (3,5,7) som tilsvarer 3 m/s ved innløp1, 5m/s ved innløp2, 7 m/s ved innløp3 og den tilsvarende batteripakkens maksimale temperatur på 311,54599 K.
| Nummer | Innløp1(m/s) | Innløp2(m/s) | Innløp3(m/s) | Maksimal temperatur på batteripakken (K) |
| 1 | 5.071 | 5.429 | 5.179 | 309.58725 |
| 2 | 5.286 | 5.071 | 5.036 | 309.59982 |
| 3 | 5.393 | 5.143 | 5.429 | 309.48029 |
| 4 | 5.464 | 5.25 | 5.071 | 309.52237 |
| 5 | 5.179 | 5.036 | 5.25 | 309.59082 |
| 6 | 5.143 | 5.107 | 5.5 | 309.50894 |
| 7 | 5.5 | 5.357 | 5.321 | 309.46039 |
| 8 | 5.107 | 5.393 | 5.464 | 309.52564 |
| 9 | 5.036 | 5.179 | 5.107 | 309.64923 |
| 10 | 5.214 | 5.321 | 5 | 309.59052 |
| 11 | 5.321 | 5.5 | 5.393 | 309.48645 |
| 12 | 5.357 | 5.464 | 5.143 | 309.5264 |
| 13 | 5.429 | 5 | 5.214 | 309.50253 |
| 14 | 5 | 5.214 | 5.357 | 309.58344 |
| 15 | 5.25 | 5.286 | 5.286 | 309.54627 |
Tabell 3: Hastighets- og temperaturmatriser brukt til kvadratisk responsoverflatemodell. De forskjellige luftstrømhastighetskombinasjonene ved innløp kan genereres tilfeldig av OLHA, og de tilsvarende maksimumstemperaturene beregnes av simuleringsprogramvaren.
| Navn | Innløp1(m/s) | Innløp2(m/s) | Innløp3(m/s) | Maksimal temperatur på batteripakken (K) |
| Optimalisering resultat | 5.5 | 5 | 5.5 | 309.39142 |
| Resultat av simuleringsbekreftelse | 5.5 | 5 | 5.5 | 309.392853 |
Tabell 4: Sammenligning mellom optimaliserings- og simuleringsverifiseringsresultatene. Den passende kombinasjonen av luftstrømshastighet ved inntak og tilsvarende temperatur kan oppnås ved å optimalisere, noe som også har vist seg å være nøyaktig ved simuleringsverifiseringen.
| Navn | Innløp1(m/s) | Innløp2(m/s) | Innløp3(m/s) | Maksimal temperatur på batteripakken (K) |
| En | 5 | 5 | 5 | 309.412537 |
| B | 5 | 5 | 5 | 309.72049 |
| C | 5.5 | 5.5 | 5.5 | 309.426208 |
| D | 5.5 | 5 | 5.5 | 309.392853 |
Tabell 5: Sammenligninger av inntaksluftstrømningshastighet og maksimal temperatur på batteripakken under forskjellige forhold. (A) Batteripakken under normale inntak, luftstrømhastighet og miljø med fritt støv. (B) Batteripakken under normale inntak, luftstrømhastighet og støvete omgivelser. (C) Batteripakken under inntakene luftstrømmen øker og støvete omgivelser. (D) Batteripakken under optimaliserte luftstrømningshastigheter og støvete omgivelser.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
BTMS som ble brukt i denne studien ble etablert basert på luftkjølesystemet på grunn av dets lave kostnader og enkelhet i strukturen. På grunn av den lave varmeoverføringskapasiteten er ytelsen til luftkjølesystemet lavere enn for væskekjølesystemet og kjølesystemet for faseendringsmateriale. Det flytende kjølesystemet har imidlertid ulempen med kjølemediumlekkasje, og kjølesystemet for faseendringsmateriale har høy masse og lav energitetthet29. Disse kjølesystemene har sine fordeler og ulemper. Derfor kan BTMS etableres ved å kombinere et luftkjølesystem med et flytende kjølesystem eller et kjølesystem for faseendring for å fremme kjøleytelse.
En CFD-løser ble implementert for å simulere strømnings- og temperaturprofilen til modellen. De styrende ligningene30, som kontinuitet (2) og energisparingsligningen (3), ble brukt til å løse det tidsavhengige termiske problemet med luftstrømmen.
Hvor p, k og c er egenskapene til luften som brukes, som er henholdsvis tetthet, termisk ledningsevne og spesifikk varme; T, og 
er det statiske trykket, temperaturen og hastigheten til kjøleluften.
Momentumligninger31
Hvor ui og uj er Reynolds-gjennomsnittlige hastighetskomponenter; xi og xj er kartesiske koordinater; P er Reynolds-gjennomsnittlig trykk; μ er dynamisk viskositet; μt er turbulent dynamisk viskositet. k er turbulent kinetisk energi; ε er turbulent kinetisk energispredningshastighet.
Reynolds-tallet basert på innløpsstrømningshastigheten (v = 5 m / s) og ekvivalent diameter ble estimert til 0,0242308; Reynolds-tallet beregnes som 9894, og dermed ble det valgt en turbulensmodell av standard k-e-modellen.
Reynolds tallligning32
Hvor Pl er tettheten, Vmax er væskens maksimale strømningshastighet, D er beholderens ekvivalente diameter, og ul er væskens dynamiske viskositet.
Turbulent kinetisk energiligning33
Hvor kt og ε er henholdsvis den turbulente kinetiske energien og turbulensspredningshastigheten; uj er jth-komponenten i hastighetsvektoren, og μ og ut er henholdsvis den molekylære og turbulente dynamiske viskositeten; Gkt og Gb er den turbulente kinetiske energiproduksjonen forårsaket av henholdsvis middelhastighet og turbulent kinetisk energiproduksjon som følge av oppdriftseffekter; YM representerer påvirkningen av den svingende dilatasjonen inkompressibel turbulent til summen av spredningshastigheter; Skt er kildebetegnelsen kt; αkt er det inverse effektive Prandtl-tallet for kt.
Turbulent kinetisk energispredningsligning33
Hvor Sε er kildebetegnelsen ε; αt er det inverse effektive Prandtl-tallet for ε; C1ε , C2ε og C3ε er empiriske konstanter.
For battericellene er energispareligningen34
Hvor Q, kb, cb; og Pb representerer henholdsvis generert varme, termisk ledningsevne, spesifikk varmekapasitet og tetthet av batteriet.
Varmekonveksjonsformel35
Hvor hf representerer konveksjonsvarmeoverføringskoeffisient; Ts representerer overflatetemperaturen til LIBer; TB representerer temperaturen i omgivende luft; og q * representerer konveksjon varmeoverføringshastighet.
Innløpet til BTMS ble satt til en hastighetsinnløpsgrensetilstand på 5 m / s og temperatur på 300 K mens systemuttaket var kondisjonert til trykkuttak med omgivende trykk satt til atmosfærisk trykk. Veggene rundt systemet er satt for naturlig konveksjon.
Dette papiret begynte forskningen under forutsetning av at strukturen til batteripakkemodellen ble bestemt, støv som dekker overflaten av batteriet vil føre til at temperaturen på batteriet stiger. Deretter presenterer vi ASAM for å optimalisere en omtrentlig QRSM og oppfylle temperaturfallene tilbake gjennom de optimale luftstrømningshastighetene kombinasjon av systeminntak for å løse problemet med DPM-effekt. Det skal nevnes at posisjonene til luftinntaket og utløpet til batteripakken også har stor innflytelse på temperaturen til BTMS14.
Det er noen kritiske trinn i protokollen. Når du lager 3D-modellen av batteripakken, gi hver kropp og overflate i modellen et gjenkjennelig navn for påfølgende materialtilsetningsmateriale, opprettelse av maskegrensesnitt og innstilling av grensebetingelser. Når du bruker simuleringsprogramvaren, er det nødvendig å angi hver parameter nøyaktig, spesielt parameterenheten.
Når det gjelder tilpasningsmodell, er feilanalyse viktig i responsoverflatemodellering, hvis den vilkårlige feilen ikke kunne tilfredsstille de tilsvarende akseptable standardene, bør flere prøvepunkter legges til for å delta i modelltilpasningen til feilen når akseptable standarder. Etter at simuleringsprogramvaren har importert rutenettmodellen, feilsøker du maskemodellen og klikker på Kontroller om nettet har et negativt volum. Hvis det er noe problem med det delte rutenettet eller modellinnstillingene, vises en feilmelding.
Hovedbegrensningen i denne studien er at den geometriske modellen som brukes i simuleringen er avledet ved å forenkle den realistiske batteripakkemodellen, det er nesten umulig å reflektere virkeligheten fullt ut. Da er det lite sannsynlig at de pålagte grensebetingelsene er forenlige med den faktiske situasjonen. Beregningsresultatene er også forskjellige i henhold til ulike beregningsteorier. For å lette simuleringen forenklet vi batteriets varmegenereringsmodell, den gjennomsnittlige varmegenereringshastigheten til batteriet er 20,993 kW / m3 som den interne varmekilden36,37.
Betydningen av eksisterende metoder og eventuelle fremtidige anvendelser av teknikken:
Denne protokollen vil bidra til å etablere en optimaliseringsmetode samtidig som man vurderer energiforbruk og termisk ytelse til batteristyringssystemet, og den kan brukes mye til å forbedre batteripakkens livssyklus med minimale driftskostnader. Denne teknikken kan også brukes i mekanisk design, arkitektonisk utforming og andre felt.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har ingenting å avsløre.
Acknowledgments
Noen analyse- og optimaliseringsprogrammer støttes av Tsinghua University, Konkuk University, Chonnam National University, Mokpo University og Chiba University.
Materials
| Name | Company | Catalog Number | Comments |
| Ansys-Workbench | ANSYS | N/A | Multi-purpose finite element method computer design program software.https://www.ansys.com |
| Isight | Engineous Sogtware | N/A | Comprehensive computer-aided engineering software.https://www.3ds.com |
| NVIDIA GPU | NVIDIA | N/A | An NVIDIA GPU is needed as some of the software frameworks below will not work otherwise. https://www.nvidia.com |
| Software | |||
| SOLIDWORKS | Dassault Systemes | N/A | SolidWorks provides different design solutions, reduces errors in the design process, and improves product quality www.solidworks.com |
References
- Xia, G., Cao, L., Bi, G. A review on battery thermal management in electric vehicle application. Journal of Power Sources. 367 (1), 90-105 (2017).
- Mahamud, R., Park, C. Reciprocating air flow for Li-ion battery thermal management to improve temperature uniformity. Journal of Power Sources. 196 (13), 5685-5696 (2011).
- Kumar, R., Goel, V. A study on thermal management system of lithium-ion batteries for electrical vehicles: A critical review. Journal of Energy Storage. 71, 108025 (2023).
- Fan, Y., et al. Experimental study on the thermal management performance of air cooling for high energy density cylindrical lithium-ion batteries. Applied Thermal Engineering. 155, 96-109 (2019).
- Mohammadian, S. K., He, Y. L., Zhang, Y. Internal cooling of a lithium-ion battery using electrolyte as coolant through microchannels embedded inside the electrodes. Journal of Power Sources. 293, 458-466 (2015).
- Skerlos, S. J., Winebrake, J. J. Targeting plug-in hybrid electric vehicle policies to increase social benefits. Energy Policy. 38 (2), 705-708 (2010).
- Avadikyan, A., Llerena, P. A real options reasoning approach to hybrid vehicle investments. Technological Forecasting and Social Change. 77 (4), 649-661 (2010).
- Chen, K., Chen, Y., Li, Z., Yuan, F., Wang, S. Design of the cell spacings of battery pack in parallel air- cooled battery thermal management system. International Journal of Heat and Mass Transfer. 127, 393-401 (2018).
- Jiang, Z. Y., Qu, Z. G. Lithium - ion battery thermal management using heat pipe and phase change material during discharge - charge cycle: A comprehensive numerical study. Applied Energy. 242, 378-392 (2019).
- Saw, L. H., et al. Computational fluid dynamic and thermal analysis of Lithium-ion battery pack with air cooling. Applied energy. 177, 783-792 (2016).
- Park, H. A design of air flow configuration for cooling lithium - ion battery in hybrid electric vehicles. Journal of Power Sources. 239 (10), 30-36 (2013).
- Wang, Q., et al. Thermal runaway caused fire and explosion of lithium-ion battery. Journal of power sources. 208, 210-224 (2012).
- Rao, Z., Wang, S. A review of power battery thermal energy management. Renewable and Sustainable Energy Reviews. 15 (9), 4554-4571 (2011).
- Chen, K., Wu, W., Yuan, F., Chen, L., Wang, S. Cooling efficiency improvement of air-cooled battery thermal management system through designing the flow pattern. Energy. 167, 781-790 (2019).
- Lan, X., Li, X., Ji, S., Gao, C., He, Z. Design and optimization of a novel reverse layered air-cooling battery management system using U and Z type flow patterns. International Journal of Energy Research. 46 (10), 14206-14226 (2022).
- Singh, G., Wu, H. Effect of different inlet/outlet port configurations on the thermal management of prismatic Li-ion batteries. Journal of Heat Transfer. 144 (11), 112901 (2022).
- Zhang, J., Wu, X., Chen, K., Zhou, D., Song, M. Experimental and numerical studies on an efficient transient heat transfer model for air-cooled battery thermal management systems. Journal of Power Sources. 490, 229539 (2021).
- Qian, X., Xuan, D., Zhao, X., Shi, Z. Heat dissipation optimization of lithium-ion battery pack based on neural networks. Applied Thermal Engineering. 162, 114289 (2019).
- Chen, K., Wang, S., Song, M., Chen, L. Structure optimization of parallel air-cooled battery thermal management system. International Journal of Heat and Mass Transfer. 111, 943-952 (2017).
- Liu, Y., Zhang, J. Self-adapting J-type air-based battery thermal management system via model predictive control. Applied Energy. 263, 114640 (2020).
- Baveja, R., Bhattacharya, J., Panchal, S., Fraser, R., Fowler, M. Predicting temperature distribution of passively balanced battery module under realistic driving conditions through coupled equivalent circuit method and lumped heat dissipation method. Journal of Energy Storage. 70, 107967 (2023).
- Singh, L. K., Kumar, R., Gupta, A. K., Sharma, A. K., Panchal, S. Computational study on hybrid air-PCM cooling inside lithium-ion battery packs with varying number of cells. Journal of Energy Storage. 67, 107649 (2023).
- Fan, Y., et al. Multi-objective optimization design and experimental investigation for a prismatic lithium-ion battery integrated with a multi-stage Tesla valve-based cold plate. Processes. 11 (6), 1618 (2023).
- Feng, Z., et al. Optimization of the Cooling Performance of Symmetric Battery Thermal Management Systems at High Discharge Rates. Energy Fuels. 37 (11), 7990-8004 (2023).
- Talele, V., Moralı, U., Patil, M. S., Panchal, S., Mathew, K. Optimal battery preheating in critical subzero ambient condition using different preheating arrangement and advance pyro linear thermal insulation. Thermal Science and Engineering Progress. 42, 101908 (2023).
- Kenny, Q. Y., Li, W., Sudjianto, A. Algorithmic construction of optimal symmetric Latin hypercube designs. Journal of statistical planning and inference. 90 (1), 145-159 (2000).
- Oliveira Jr, H. A., Petraglia, A. Global optimization using dimensional jumping and fuzzy adaptive simulated annealing. Applied Soft Computing. 11 (6), 4175-4182 (2011).
- Ingber, L.
- Yu, X., et al. Experimental study on transient thermal characteristics of stagger-arranged lithium-ion battery pack with air cooling strategy. International Journal of Heat and Mass Transfer. 143, 118576 (2019).
- Li, W., Xiao, M., Peng, X., Garg, A., Gao, L. A surrogate thermal modeling and parametric optimization of battery pack with air cooling for EVs. Applied Thermal Engineering. 147, 90-100 (2019).
- Chen, K., Zhang, Z., Wu, B., Song, M., Wu, X. An air-cooled system with a control strategy for efficient battery thermal management. Applied Thermal Engineering. 236, 121578 (2023).
- Zhao, L., Li, W., Wang, G., Cheng, W., Chen, M. A novel thermal management system for lithium-ion battery modules combining direct liquid-cooling with forced air-cooling. Applied Thermal Engineering. 232, 120992 (2023).
- Oyewola, O. M., Awonusi, A. A., Ismail, O. S. Design optimization of Air-Cooled Li-ion battery thermal management system with Step-like divergence plenum for electric vehicles. Alexandria Engineering Journal. 71, 631-644 (2023).
- Chen, K., et al. Design of parallel air-cooled battery thermal management system through numerical study. Energies. 10 (10), 1677 (2017).
- Lyu, C., et al. A new structure optimization method for forced air-cooling system based on the simplified multi-physics model. Applied Thermal Engineering. 198, 117455 (2021).
- Zhang, W. C., Liang, Z. C., Ling, G. Z., Huang, L. S. Influence of phase change material dosage on the heat dissipation performance of the battery thermal management system. Journal of Energy Storage. 41, 102849 (2021).
- Li, M. L., Zang, M. Y., Li, C. Y., Dai, H. Y. Optimization of structure of air cooling heat dissipation for Li-ion batteries. Battery Bimonthly. 50 (3), 1001 (2020).
