Artykuł metodologiczny

Optymalizacja systemu zarządzania ciepłem na bazie powietrza dla zapylonych akumulatorów litowo-jonowych pokrytych cząstkami stałymi

DOI:

10.3791/65892

⸱

3 listopada 2023

 ,  ,  ,  , 
1College of Mechanical and Electrical Engineering, Wenzhou University

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Tutaj prezentujemy adaptacyjną metodę symulowanego wyżarzania (ASAM) w celu optymalizacji przybliżonego modelu powierzchni odpowiedzi kwadratowej (QRSM) odpowiadającego systemowi zarządzania ciepłem akumulatora pokrytego pyłem zawieszonym i wypełnienia spadków temperatury poprzez dostosowanie kombinacji prędkości przepływu powietrza na wlotach systemu.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

To badanie ma na celu rozwiązanie problemu wzrostu temperatury ogniwa i spadku wydajności spowodowanego pyłem zawieszonym pokrywającym powierzchnię ogniwa poprzez alokację prędkości przepływu powietrza na wlotach do skrzynki chłodzącej akumulator w celu niskiego zużycia energii. Maksymalną temperaturę akumulatora przy określonej prędkości przepływu powietrza i środowisku wolnym od kurzu przyjmujemy jako oczekiwaną temperaturę w zapylonym środowisku. Maksymalna temperatura akumulatora w zapylonym środowisku jest obliczana przy różnych prędkościach przepływu powietrza wlotowego, które są warunkami brzegowymi modelu analitycznego skonstruowanego w oprogramowaniu symulacyjnym. Tablice reprezentujące różne kombinacje prędkości przepływu powietrza na wlotach są generowane losowo za pomocą optymalnego algorytmu hipersześcianu łacińskiego (OLHA), w którym dolne i górne granice prędkości odpowiadających temperaturom powyżej żądanej temperatury są ustawiane w oprogramowaniu optymalizacyjnym. Ustalamy przybliżony QRSM między kombinacją prędkości a maksymalną temperaturą za pomocą modułu dopasowania oprogramowania optymalizacyjnego. QRSM jest optymalizowany w oparciu o ASAM, a optymalny wynik jest dobrze zgodny z wynikiem analizy uzyskanym przez oprogramowanie symulacyjne. Po optymalizacji natężenie przepływu środkowego wlotu zmienia się z 5,5 m/s na 5 m/s, a całkowita prędkość przepływu powietrza zmniejsza się o 3%. Protokół przedstawia tutaj metodę optymalizacji uwzględniającą jednocześnie zużycie energii i wydajność cieplną ustanowionego systemu zarządzania baterią i może być szeroko stosowany w celu poprawy cyklu życia zestawu akumulatorów przy minimalnych kosztach operacyjnych.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wraz z szybkim rozwojem przemysłu samochodowego, tradycyjne pojazdy napędzane paliwami zużywają dużo nieodnawialnych zasobów, co skutkuje poważnym zanieczyszczeniem środowiska i niedoborem energii. Jednym z najbardziej obiecujących rozwiązań jest rozwój pojazdów elektrycznych (EV)1,2.

Akumulatory używane w pojazdach elektrycznych mogą magazynować energię elektrochemiczną, co jest kluczem do zastąpienia tradycyjnych pojazdów napędzanych paliwem. Akumulatory zasilające stosowane w pojazdach elektrycznych obejmują akumulator litowo-jonowy (LIB), akumulator niklowo-metalowo-wodorkowy (NiMH) i elektryczny kondensator dwuwarstwowy (EDLC)3. W porównaniu z innymi akumulatorami, akumulatory litowo-jonowe są obecnie szeroko stosowane jako jednostki magazynujące energię w pojazdach elektrycznych ze względu na ich zalety, takie jak wysoka gęstość energii, wysoka wydajność i długi cykl życia4,5,6,7.

Jednakże, ze względu na ciepło reakcji chemicznej i ciepło dżuli, łatwo jest zgromadzić dużą ilość ciepła i zwiększyć temperaturę baterii podczas szybkiego ładowania i intensywnego rozładowywania. Idealna temperatura pracy LIB to 20-40 °C8,9. Maksymalna różnica temperatur między bateriami w łańcuchu baterii nie powinna przekraczać 5 °C10,11. W przeciwnym razie może to prowadzić do szeregu zagrożeń, takich jak nierównowaga temperatur między bateriami, przyspieszone starzenie, a nawet przegrzanie, pożar, wybuch i tak dalej12. Dlatego krytyczną kwestią, którą należy rozwiązać, jest zaprojektowanie i optymalizacja wydajnego systemu zarządzania temperaturą akumulatora (BTMS), który może kontrolować temperaturę i różnicę temperatur akumulatora w wąskim zakresie.

Typowe BTMS obejmują chłodzenie powietrzem, chłodzenie wodą i chłodzenie materiału zmiennofazowego13. Wśród tych metod chłodzenia, typ chłodzenia powietrzem jest szeroko stosowany ze względu na niski koszt i prostotę struktury14. Ze względu na ograniczoną pojemność cieplną właściwą powietrza, łatwo o wysoką temperaturę i duże różnice temperatur między ogniwami akumulatorów w systemach chłodzonych powietrzem. Aby poprawić wydajność chłodzenia chłodzonego powietrzem BTMS, konieczne jest zaprojektowanie wydajnego systemu15,16,17. Qian et al.18 zebrali maksymalną temperaturę i różnicę temperatur w zestawie akumulatorów, aby wytrenować odpowiedni model bayesowskiej sieci neuronowej, który jest używany do optymalizacji odstępów między ogniwami szeregowo chłodzonego zestawu akumulatorów chłodzonych powietrzem. Chen et al.19 zgłosili użycie metody Newtona i modelu sieci oporu przepływu do optymalizacji szerokości komory dywergencyjnej wlotu i komory konwergencji wylotu w równoległym systemie chłodzonym powietrzem typu Z. Wyniki wykazały zmniejszenie różnicy temperatur w systemie o 45%. Liu i in.20 pobrali próbki z pięciu grup kanałów chłodzących w J-BTMS i uzyskali najlepszą kombinację odstępów między komórkami za pomocą algorytmu optymalizacji opartej na sustytu. Baveja i in.21 modelowali pasywnie zrównoważony moduł akumulatorowy, a badanie opisało wpływ przewidywania termicznego na równoważenie pasywne na poziomie modułu i odwrotnie. Singh et al.22 zbadali system zarządzania temperaturą baterii (BTMS), który wykorzystywał zamknięty materiał zmiennofazowy wraz z wymuszonym konwekcyjnym chłodzeniem powietrzem, zaprojektowany przy użyciu sprzężonego modelowania elektrochemiczno-termicznego. Fan et al.23 zaproponowali płytę chłodzącą ciecz zawierającą wielostopniową konfigurację zaworów Tesli, aby zapewnić bezpieczniejszy zakres temperatur dla pryzmatycznego akumulatora litowo-jonowego o wysokiej rozpoznawalności w zastosowaniach mikroprzepływowych. Feng et al. 24 wykorzystali metodę współczynnika zmienności do oceny schematów z różnymi natężeniami przepływu na wlocie i odstępami między akumulatorami. Talele et al.25 wprowadzili izolację termiczną z wykładziny pirotechnicznej wzmocnionej ścianą, aby magazynować potencjalnie generowane ciepło w oparciu o optymalne rozmieszczenie folii grzewczych.

Gdy korzysta się z chłodzenia powietrzem BTMS, cząsteczki pyłu metalowego, cząsteczki pyłu mineralnego, cząsteczki pyłu materiałów budowlanych i inne cząsteczki w środowisku zewnętrznym zostaną wprowadzone do chłodzonego powietrzem BTMS przez dmuchawę, co może spowodować pokrycie powierzchni baterii DPM. Jeśli nie ma planu odprowadzania ciepła, może to spowodować wypadki z powodu zbyt wysokiej temperatury akumulatora. Po symulacji przyjmujemy maksymalną temperaturę akumulatora w określonej prędkości przepływu powietrza i środowisku wolnym od kurzu jako oczekiwaną temperaturę w zapylonym środowisku. Po pierwsze, współczynnik C odnosi się do wartości prądu wymaganego, gdy akumulator zwalnia swoją pojemność znamionową w określonym czasie, który jest równy wielokrotności pojemności znamionowej akumulatora w wartości danych. W tym artykule symulacja wykorzystuje rozładowanie o szybkości 2C. Pojemność znamionowa wynosi 10 Ah, a napięcie znamionowe 3,2 V. Jako materiał elektrody dodatniej stosuje się fosforan litowo-żelazowy (LiFePO4), a jako materiał elektrody ujemnej stosuje się węgiel. Elektrolit zawiera elektrolit, sól litową, rozpuszczalnik organiczny o wysokiej czystości, niezbędne dodatki i inne surowce. Losowa tablica reprezentująca różne kombinacje prędkości na wlotach została wyznaczona za pomocą OLHA, a funkcja 2. rzędu między maksymalną temperaturą akumulatora a kombinacją prędkości przepływu na wlocie została ustawiona pod warunkiem sprawdzenia dokładności dopasowania krzywej. Łacińskie projekty hipersześcianów (LH) były stosowane w wielu eksperymentach komputerowych od czasu, gdy zostały zaproponowane przez McKaya i wsp.26. LR jest dana przez N x p-macierz L, gdzie każda kolumna L składa się z permutacji liczb całkowitych od 1 do N. W tym artykule zastosowano optymalną metodę próbkowania hipersześcianów łacińskich w celu zmniejszenia obciążenia obliczeniowego. W metodzie wykorzystuje się warstwowe pobieranie próbek w celu zapewnienia, że punkty pobierania próbek mogą obejmować wszystkie elementy wewnętrzne pobierania próbek.

W następnym kroku, kombinacja prędkości przepływu na wlocie została zoptymalizowana, aby obniżyć maksymalną temperaturę zestawu akumulatorów w zapylonym środowisku na podstawie ASAM pod warunkiem jednoczesnego uwzględnienia zużycia energii. Adaptacyjny algorytm symulowanego wyżarzania został szeroko opracowany i szeroko stosowany w wielu problemach optymalizacyjnych27,28. Algorytm ten pozwala uniknąć wpadnięcia w pułapkę lokalnego optimum, akceptując najgorsze rozwiązanie z pewnym prawdopodobieństwem. Globalne optimum osiąga się poprzez zdefiniowanie prawdopodobieństwa przyjęcia i temperatury; Szybkość obliczeń można również dostosować za pomocą tych dwóch parametrów. Wreszcie, w celu sprawdzenia dokładności optymalizacji, optymalny wynik porównano z wynikiem analizy uzyskanym z oprogramowania symulacyjnego.

W tym artykule zaproponowano metodę optymalizacji natężenia przepływu na wlocie do skrzynki baterii dla zestawu baterii, którego temperatura wzrasta z powodu osłony przeciwpyłowej. Celem jest obniżenie maksymalnej temperatury zakurzonego zestawu akumulatorów poniżej maksymalnej temperatury niepokrytego pyłem zestawu akumulatorów w przypadku niskiego zużycia energii.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

UWAGA: Mapa drogowa technologii badawczej jest pokazana w Rysunek 1, gdzie używane jest oprogramowanie do modelowania, symulacji i optymalizacji. Wymagane materiały są przedstawione w Tabeli materiałów.

1. Tworzenie modelu 3D

UWAGA: Użyliśmy Solidworks do stworzenia modelu 3D.

  1. Narysuj prostokąt o wymiarach 252 mm x 175 mm, kliknij opcję Wyciągnięcie dodania/podstawy i wprowadź wartość 73. Utwórz nową płaszczyznę w odległości 4 mm od powierzchni zewnętrznej.
  2. Narysuj prostokąt o wymiarach 131 mm x 16 mm i kliknij opcję Liniowy wzór szkicu. Wprowadź odpowiednio 22 i 6 w odstępach i liczbie wystąpień. Zaznacz wszystkie cztery boki prostokąta i kliknij przycisk OK. Wprowadź kąt 180 i uruchom go ponownie. Ten krok dotyczy symetrii w środku modelu.
  3. Kliknij opcję Wyciągnięcie proste, wprowadź wartość 65 i kliknij przycisk OK. Kliknij opcję Wyciągnięcie dodania/podstawy i wprowadź wartość 65, odznacz opcję Wynik scalania, a następnie kliknij opcję Odwróć kierunek i OK.
    UWAGA: Gdy wynik scalania nie jest zaznaczony, rozciągnięta jednostka staje się oddzielną jednostką. W sumie są to 23 części, w tym 11 baterii, 11 zapylonych cząstek stałych i 1 domena powietrzna.
  4. Narysuj prostokąt o wymiarach 16 mm x 1 mm. Powtórz kroki 1.2 i 1.3.
  5. Narysuj prostokąt o wymiarach 63 mm x 15 mm, kliknij górną krawędź prostokąta i kliknij w Liniowy wzór szkicu. Wprowadź wartości 21, 3 i 270, a następnie kliknij przycisk OK. Kliknij opcję Linia podziałowa i powierzchnię sześcianu, a następnie kliknij przycisk OK.
  6. Narysuj prostokąt o wymiarach 63 mm x 15 mm. Kliknij pozycję Linia podziału, a następnie powierzchnię sześcianu, kliknij przycisk OK.
  7. Kliknij Plik i zapisz go jako plik X_T.
    UWAGA: Podany rozmiar:Pudełko L: 73 mm; szer.skrzynki:252 mm; Skrzynka H:175 mm; Lb, Ld:65 mm; szer.b., szer.gł.:10 mm; Hb:131 mm; Hd:1 mm; dł.i:63 mm; szer.i:15 mm; d1, d2:5 mm, d3:6 mm jest pokazane na Rysunek 2.
  8. Przeciągnij komponent siatki, klikając Przybornik > Systemy komponentów > Siatka do strefy schematu projektu. Zaimportuj wcześniej zapisany plik X_T, klikając opcję Geometria.
  9. Przejdź do okna modelera projektowania siatki, a model zestawu baterii, zawierający 23 części jako niezależne obiekty, zostanie ponownie wyświetlony po kliknięciu przycisku Generuj.
  10. Wybierz wszystkie 23 części baterii, które mają być nową częścią nazwaną jako część baterii, wszystkie zakurzone cząstki stałe z 23 części jako część pyłową, a komora powietrzna jako część powietrzna, w obrysie drzewa dla wygody późniejszego ukrywania i nazywania obiektów.
  11. Najpierw kliknij prawym przyciskiem myszy BatteryPart i DustPart i wybierz Ukryj część, aby wyskakujące okienko pokazywało tylko część powietrzną.
  12. Przesuń mysz na pasek narzędzi wyboru, aby wybrać Filtr wyboru: Bryły, kliknąć prawym przyciskiem myszy model wnęki powietrznej w strefie graficznej, aby wybrać Nazwany wybór, a następnie zmień nazwę modelu wnęki powietrznej w strefie widoku szczegółów na domenę powietrza.
  13. Przełącz się na filtr wyboru: Powierzchnie, kliknij prawym przyciskiem myszy i zmień nazwę powierzchni, która została podzielona na trzy części, od dołu do góry, jako wlot1, wlot2 i wlot3, oddzielna powierzchnia po prawej stronie tych trzech powierzchni ma nazwę wylot, pozostała powierzchnia zewnętrzna ma nazwę outerBorder, odpowiednio.
  14. Przełącz tryb wyboru na Wybór pola, kliknij oś Y, aby uzyskać odpowiedni widok modelu wnęki powietrznej dla wygody wyboru pola, zmień nazwę i ponumeruj wszystkie powierzchnie wewnętrzne jako Powierzchnia gniazda1 na Powierzchnia gniazda11 za pomocą wyboru prostokąta.
  15. Aby wyświetlić tylko część batteryPart, kliknij prawym przyciskiem myszy airPart i wybierz opcję Ukryj część. Kliknij prawym przyciskiem myszy pozycję batteryPart i wybierz opcję Pokaż część w wyskakującym menu skrótów.
  16. Przesuń mysz na pasek narzędzi wyboru, aby wybrać Filtr wyboru: Ciała, przełącz tryb wyboru na Pojedynczy wybór, kliknij prawym przyciskiem myszy każdy model baterii w strefie graficznej, aby wybrać nazwany wybór, zmień nazwę i ponumeruj 11 modeli baterii w strefie widoku szczegółów odpowiednio jako batteryDomain1 do batteryDomain11.
  17. Co więcej, każdy model baterii ma sześć boków, a następnie przełącz się na Filtr wyboru: Twarze, kliknij prawym przyciskiem myszy każdą stronę numerowanych domen baterii, aby wybrać Nazwane zaznaczenie i zmień ich nazwy zgodnie z orientacją strony baterii. Na przykład zmień nazwę sześciu stron numerowanej domenyBatteryDomain1 na batteryDomain1_Upper, batteryDomain1_Lower, batteryDomain1_Left, batteryDomain1_Right, batteryDomain1_Front i batteryDomain1_Back.
  18. Aby wyświetlić tylko dustPart, kliknij prawym przyciskiem myszy batteryPart i wybierz opcję Ukryj część. Kliknij prawym przyciskiem myszy dustPart i wybierz opcję Pokaż część z wyskakującego menu skrótów.
  19. Przesuń wskaźnik myszy na pasek narzędzi wyboru, aby wybrać Filtr wyboru: Obiekty, kliknij prawym przyciskiem myszy każdy model pyłowego pyłu zawieszonego w strefie Grafika, aby wybrać Nazwany wybór, zmień nazwę i ponumeruj 11 modeli pyłowego pyłu zawieszonego w strefie widoku szczegółów odpowiednio jako dpmDomain1 do dpmDomain11.
  20. Co więcej, każdy model pyłu zawieszonego ma sześć boków, a następnie przełącz się na Filtr wyboru: Twarze, kliknij prawym przyciskiem myszy na Każda strona ponumerowanych domen dpmDomains, aby wybrać Nazwane zaznaczenie i zmień ich nazwy zgodnie z orientacją strony pyłu zawieszonego. Na przykład zmień nazwę sześciu stron numerowanej domeny dpmDomain1 na dpmDomain1_Upper, dpmDomain1_Lower, dpmDomain1_Left, dpmDomain1_Right, dpmDomain1_Front i dpmDomain1_Back.
  21. Pokaż wszystkie obiekty i ponownie wróć do początkowego okna.

2. Wygeneruj model siatki

UWAGA: Tworzenie siatki metodą elementów skończonych jest bardzo ważnym krokiem w analizie symulacji numerycznej metodą elementów skończonych, co bezpośrednio wpływa na dokładność kolejnych wyników analizy numerycznej. Elementy, których nazwy zostały zmienione, są następnie umieszczane w siatce.

  1. Aby utworzyć siatkę domeny powietrza, domeny baterii i domeny dpm niezależnie, należy ponownie przeciągnąć dwa komponenty Mesh z Toolbox > Component Systems > Mesh do strefy schematu projektu i zmienić ich nazwy odpowiednio na airFEM, batteryFEM i dpmFEM. Przytrzymaj > geometrię airFEM lewym przyciskiem myszy i przeciągnij ją do > Geometry z baterii.
  2. Następnie przytrzymaj > geometry batteryFEM lewym przyciskiem myszy i przeciągnij go do > geometrii dpmFEM. Kliknij prawym przyciskiem myszy linie między trzema komponentami siatki i wybierz opcję Usuń, aby usunąć ich skojarzenie ze sobą.
  3. Kliknij dwukrotnie siatkę airMEM, przejdź do okna siatki, kliknij prawym przyciskiem myszy batteryPart i dustPart, aby wybrać opcję Suppress Body (Wyłącz bryłę) i zmień preferencje fizyczne z mechanicznego na CFD. Wygeneruj model domeny powietrznej MES za pomocą rozmiaru powierzchni 2 mm i rozmiaru ciała 4 mm, klikając przycisk Aktualizuj i wróć do okna początkowego.
  4. Kliknij dwukrotnie Siatkę BatteryMES, przejdź do okna siatki, kliknij prawym przyciskiem myszy airPart i dustPart, aby wybrać Wyłącz bryłę, a następnie zmień preferencje fizyczne z Mechaniczne na CFD. Wygeneruj model domeny baterii MES za pomocą rozmiaru korpusu 2 mm, klikając Aktualizuj i wróć do okna początkowego.
  5. Kliknij dwukrotnie Siatkę dpmMES, przejdź do okna siatki, kliknij prawym przyciskiem myszy airPart i batteryPart, aby wybrać opcję Wyłącz bryłę, a następnie zmień preferencje fizyczne z Mechaniczne na CFD. Wygeneruj model domeny MES dpm poprzez rozmiar korpusu 2 mm, klikając Aktualizuj, wróć do początkowego okna.
    UWAGA: Rysunek 3A pokazuje siatkę domeny powietrznej, Rysunek 3B pokazuje siatkę domeny baterii, a Rysunek 3C pokazuje siatkę domeny dpm.
  6. Ustaw minimalny rozmiar siatki powietrznej na 4 mm, a minimalny rozmiar siatki baterii i pyłu cząstek stałych na 2 mm. Upewnij się, że siatka jest niezależna od rozwiązania, zmień minimalny rozmiar ogniwa siatki i wykonaj badanie czułości siatki.
    UWAGA: Jak pokazano na Rysunek 4, przy wzroście liczby siatek z 519343 do 1053849, maksymalne zmiany temperatury baterii są mniejsze niż 0,6 K. Biorąc pod uwagę zdolność obliczeniową i dokładność, poniższa analiza opiera się na modelu siatki z 931189 siatkami.

3. Analiza symulacyjna

  1. Przeciągnij pozycję Przepływ płynów z przybornika > Systemy analityczne > Przepływ płynów do strefy schematu projektu. Przytrzymaj > mesh, a następnie batteryFEM > Mesh i dpmFEM > Mesh lewym przyciskiem myszy i przeciągnij je do Fluid Flow > Setup. Kliknij prawym przyciskiem myszy pozycję Fluid Flow > Setup (Ustawienia) i wybierz opcję Update (Aktualizuj), aby przejść do okna ustawień.
  2. Sprawdź poprawność modelu MES i sprawdź, czy siatka ma objętość ujemną. Oprogramowanie automatycznie sugeruje objętość modelu, a rozsądna wartość modelu jest dodatnia. Jeśli wystąpi jakikolwiek problem z podzieloną siatką lub ustawieniami modelu, pojawi się komunikat o błędzie, aby to poinformować.
  3. Aktywuj równanie energii w modelach wymiany ciepła. Wejdź do interfejsu ustawień modelu lepkości i modelu promieniowania, a następnie wybierz Model K-epsilon i Model rzędnych dyskretnych.
    UWAGA: Jak pokazano na Rysunek 5, porównując cztery modele lepkości, wyniki obliczeń modelu Spalarta-Allmarasa są znacznie inne niż w innych modelach. Wyniki standardowego modelu K-epsilon są takie same jak w przypadku innych modeli K-epsilon. Powszechnie stosowany jest standardowy model K-epsilon o większej stabilności i oszczędności; poniższa analiza jest oparta na standardowym modelu K-epsilon.
  4. Ustaw nowe materiały z różnymi atrybutami dla materiału powietrznego, materiału baterii, materiału dpm i materiału obudowy baterii w oparciu o tabelę 1.
    UWAGA: Wewnątrz akumulatora znajdują się trzy różne materiały fizyczne: powietrze jako płyn, a reszta jako ciało stałe. Następnie przygotuj materiał.
    1. Zmień typ płynu ponumerowanych domen baterii na Typ bryły i zmień materiał dpm na materiał baterii w oknie Bryła, klikając dwukrotnie każdą domenę baterii. Następnie wybierz pozycję Warunki źródłowe i kliknij podświetlone Warunki źródłowe, aby dodać źródło energii, przypisując liczbę w liczbie źródeł energii i wybierając Typ stałej, aby wprowadzić wartość 209993 w/m3.
    2. Zmień typ płynu ponumerowanych domen programu DPM na Typ bryły.
  5. Następnie ustaw interfejs do obliczeń symulacyjnych kilku różnych domen zgodnie z rzeczywistym ustawieniem natężenia przepływu i współczynnika przenikania ciepła, jak opisano poniżej.
    1. Przekonwertuj typ wszystkich powierzchni o zmienionych nazwach, w tym wewnętrzne powierzchnie domeny powietrznej i wszystkie strony domen baterii, a także domeny dpm z domyślnej ściany na interfejs. Po pomyślnym wykonaniu powyższych kroków interfejsy siatki zostaną natychmiast wygenerowane.
    2. Kliknij Interfejsy siatki i przejdź do okna Utwórz/edytuj interfejsy siatki. Dopasuj powierzchnie wnęki ze wszystkich stron z wyjątkiem górnych boków domen baterii i dolnych boków dpm domian. Następnie nazwij je i ponumeruj odpowiednio jako interface1 do interface11. Tak więc 11 interfejsów siatki można utworzyć między domenami domów powietrznych i akumulatorowych, a także domenami dpm.
    3. Dopasuj górne boki domen baterii i dolne boki domen dpm. Następnie nazwij je i ponumeruj odpowiednio jako interface12 do interface22. Następnie tworzonych jest 11 interfejsów siatki między domenami baterii a domenami dpm.
    4. Przypisz powierzchnię obramowania zewnętrznego jako termiczny warunek brzegowy ściany, ustawiając współczynnik przenikania ciepła na 5 w mieszanych warunkach termicznych i zmieniając jej materiał z domyślnego aluminium na wcześniej zdefiniowany materiał skrzynki akumulatora.
    5. Ustaw prędkości przepływu powietrza wszystkich wlotów na 5 m/s w oknie wlotu prędkości, a ciśnienie manometryczne wylotu na zero w oknie wylotu ciśnienia.
  6. Następnie należy ustawić stan domeny obliczeniowej w początkowym momencie, np. temperaturę początkową 300 K, która będzie miała wpływ na proces konwergencji obliczeń.
    1. Ustaw typ inicjalizacji rozwiązania jako inicjalizację standardową przed zainicjowaniem.
    2. Ustaw liczbę iteracji na 2000.
    3. Kliknij przycisk Oblicz, aby przeprowadzić symulację. Wróć do okna początkowego, aż symulacja zostanie zakończona.
  7. Powyższa część kończy obliczenia symulacyjne temperatury i prędkości powietrza wewnątrz akumulatora, a następnie wyświetla wynik symulacji w polu Wynik. Wykonaj następujące czynności w wyświetlonych wynikach.
    1. Kliknij dwukrotnie Przepływ płynu > Wyniki, aby przejść do okna postu CFD, a następnie kliknij ikonę Contour w przyborniku.
    2. Wybierz Wszystkie strony baterii w selektorze lokalizacji i zmień ciśnienie na temperaturę. Następnie kliknij przycisk Zastosuj, aby wygenerować kontur temperatury baterii.
    3. Kliknij Plik > Eksportuj, aby wybrać temperaturę wybranych zmiennych. Kliknij przycisk rozwijany lokalizacji, aby wyświetlić okno wyboru lokalizacji, w którym należy wybrać wszystkie domeny baterii. Kliknij przycisk OK i Zapisz, aby wyjść.
      UWAGA: Arkusz kalkulacyjny, którego dane odpowiadają temperaturom węzłów siatki wszystkich baterii, zostanie zapisany automatycznie po kliknięciu przycisku Zapisz.
    4. Otwórz arkusz kalkulacyjny, aby znaleźć wartość maksymalną, która wskazuje maksymalną temperaturę akumulatorów w zapylonym środowisku na poziomie 5 m/s wszystkich wlotów powietrza.
    5. Uzyskaj maksymalną temperaturę akumulatorów w stanie swobodnego pyłu jako oczekiwaną temperaturę i porównaj ją z maksymalną temperaturą w stanie zapylenia; wynik pokazuje, że cała temperatura rośnie.
      UWAGA: Aby uzyskać maksymalną temperaturę akumulatorów w środowisku wolnym od kurzu, nowy model akumulatora pokazany w Rysunek 6 powinien zostać przywrócony, a wszystkie kroki 1.1-3.4.3 należy powtórzyć.
    6. Aby obniżyć maksymalną temperaturę wewnątrz akumulatora, ustaw prędkości przepływu powietrza na wlotach od 5 m/s do 6 m/s, zwiększ o 5% i oblicz odpowiednie maksymalne temperatury zakurzonych akumulatorów.
      UWAGA: Analizę wrażliwości parametrów prędkości przepływu powietrza należy przeprowadzić z dużym wyprzedzeniem przed zmianą wartości parametrów. Jak pokazano na Rysunek 7 i Tabela 2, zachowaliśmy ten sam całkowity przepływ dla każdej z siedmiu grup różnych kombinacji prędkości przepływu powietrza wlotowego. Nadal istnieje oczywista różnica w maksymalnej temperaturze wynikająca z różnicy w przydziale prędkości przepływu powietrza. Innymi słowy, istnieje silna korelacja między kombinacją prędkości przepływu powietrza a temperaturą maksymalną. W związku z tym te parametry prędkości mogą być używane jako zmienne projektowe.
    7. Wykreśl krzywą temperatury-prędkości, jak pokazano na rysunku Rysunek 8, gdzie czerwona linia wskazuje, że krzywa charakterystyki temperatury maleje wraz ze wzrostem prędkości przepływu powietrza, a niebieska linia reprezentuje oczekiwaną temperaturę.
    8. Utrzymuj wzrost prędkości przepływu powietrza o 10%. Gdy przyrost prędkości jest większy niż 10%, maksymalna temperatura jest już niższa niż oczekiwana temperatura, ale nie spełnia to celu, jakim jest niskie zużycie energii. Aby uzyskać pozostałe natężenie przepływu powietrza, zmniejsz maksymalną temperaturę akumulatora do oczekiwanej temperatury poprzez optymalizację, osiągając w ten sposób cel, jakim jest niskie zużycie energii.

4. Optymalne próbkowanie hipersześcianów łacińskich i modelowanie powierzchni odpowiedzi

UWAGA: Dla zatrzymanych natężeń przepływu 5 m/s-5,5 m/s, próbki są wybierane do konstruowania różnych kombinacji natężeń przepływu w tym zakresie natężenia przepływu. Kombinacje prędkości są symulowane w celu uzyskania maksymalnej temperatury. Skonstruuj funkcję prędkości i temperatury maksymalnej.

  1. Otwórz nowy pusty arkusz kalkulacyjny, aby utworzyć tabelę, której wiersze w pierwszej kolumnie mają nazwy wlot1, wlot2 i wlot3, a następnie zapisz plik jako sampling.xlsx.
  2. Uruchom oprogramowanie optymalizacyjne i przeciągnij ikonę arkusza kalkulacyjnego na pojedynczą strzałkę zadania 1. Następnie kliknij dwukrotnie ikonę Arkusza kalkulacyjnego, aby wyświetlić okno Edytor komponentów-Excel.
  3. Zaimportuj sampling.xlsx, klikając przycisk Przeglądaj, a następnie zamapuj wlot1, wlot2 i wlot3 na A1, A2 i A3 jako parametry, klikając przycisk Dodaj to mapowanie. Kliknij przycisk OK, aby powrócić do okna początkowego.
  4. Przeciągnij ikonę DOE do zadania 1 i kliknij ją dwukrotnie, aby wyświetlić okno Edytor komponentów-DOE. Wybierz OptimOKal Latin Hypercube i ustaw liczbę punktów na 15 w oknie Ogólne.
  5. Przejdź do okna Czynniki i ustaw 5,5 jako górną granicę i 5 jako dolną granicę dla A1, A2 i A3.
  6. Przełącz się do okna Design Matrix i kliknij przycisk Generuj, aby wygenerować losowe punkty próbkowania odpowiadające różnym prędkościom wlotowym. Zamknij oprogramowanie optymalizacyjne.
  7. Weź tablice kombinacji prędkości w losowych punktach próbkowania z powrotem, aby obliczyć i powtórzyć kroki 3.5.5-3.7.5, aby uzyskać odpowiednią tablicę temperatur złożoną z maksymalnych temperatur baterii.
  8. Połącz zmienne predyktora x1, x2 i x3 tablic kombinacji prędkości i y tablic temperatury, aby utworzyć nową tabelę zmiennych, jak pokazano w tabeli 3, i zapisać ją jako plik sample.txt. Zaimportuj plik, aby dopasować go do modelu powierzchni odpowiedzi.
  9. Uruchom ponownie oprogramowanie optymalizacyjne i przeciągnij ikonę Przybliżenie na pojedynczą strzałkę zadania 1. Kliknij dwukrotnie ikonę Zadanie1, aby wyświetlić okno aproksymacji edytora komponentów w celu wybrania modelu powierzchni odpowiedzi.
  10. Przejdź do okna Plik danych i zaimportuj plik sample.txt zawierający zmienne predykcyjne.
  11. Przejdź do okna Parametry i kliknij przycisk Skanuj, aby otworzyć parametry w oknie pliku danych, w którym zmienne predyktora x1, x2 i x3 są zdefiniowane jako dane wejściowe i y jako dane wyjściowe.
  12. Przejdź do okna Opcje techniki i wybierz opcję Kwadratowa w kolejności wielomianowej. Przejdź do okna Opcje analizy błędów i wybierz opcję Krzyżowa walidacja w metodzie analizy błędów.
  13. Przejdź do okna Wyświetl dane i kliknij przycisk Zainicjuj teraz, aby uzyskać współczynniki równania kwadratowej regresji liniowej.
  14. Kliknij przycisk Analiza błędów, aby wyświetlić okno analizy błędów przybliżenia w celu sprawdzenia, czy błędy mogą być zgodne z akceptowalnymi standardami dla każdego typu błędu. Zamknij okno komponentu aproksymacji. Jeśli arbitralny błąd nie może spełnić odpowiednich akceptowalnych standardów, dodaj więcej punktów próbki, aby wziąć udział w dopasowaniu modelu.

5. Adaptacyjny symulowany algorytm wyżarzania oparty na przybliżonym modelu dopasowania

UWAGA: Następnie, oprogramowanie i algorytm są używane do znalezienia optymalnej wartości przybliżonego modelu

  1. Przeciągnij ikonę Optymalizacja do Zadania 1 i kliknij ją dwukrotnie, aby wyświetlić okno optymalizacji edytora komponentów. Wybierz adaptacyjne symulowane wyżarzanie (ASA) w technice optymalizacji.
  2. Przejdź do okna Zmienne, aby ustawić 5,5 jako górny limit i 5 jako dolny limit.
  3. Przejdź do okna Cele i wybierz parametr Y przed zamknięciem okna optymalizacji edytora komponentów.
  4. Kliknij przycisk Uruchom optymalizację i poczekaj na wynik optymalizacji.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Zgodnie z protokołem, najważniejsze są pierwsze trzy części, które obejmują modelowanie, tworzenie siatki i symulację, wszystko po to, aby uzyskać maksymalną temperaturę akumulatora. Następnie prędkość przepływu powietrza jest regulowana przez pobieranie próbek, a na końcu uzyskuje się optymalną kombinację natężenia przepływu poprzez optymalizację.

Rysunek 9 pokazuje porównanie rozkładu temperatury ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

BTMS zastosowany w tym badaniu został opracowany w oparciu o system chłodzenia powietrzem ze względu na niski koszt i prostotę konstrukcji. Ze względu na niską zdolność wymiany ciepła, wydajność układu chłodzenia powietrzem jest niższa niż systemu chłodzenia cieczą i układu chłodzenia materiału zmiennofazowego. Jednak układ chłodzenia cieczą ma tę wadę, że dochodzi do wycieku czynnika chłodniczego, a układ chłodzenia materiału zmiennofazowego ma dużą masę i niską gęstość energii29. Te systemy chło...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają nic do ujawnienia.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Niektóre programy do analizy i optymalizacji są wspierane przez Uniwersytet Tsinghua, Uniwersytet Konkuk, Uniwersytet Narodowy Chonnam, Uniwersytet Mokpo i Uniwersytet Chiba.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Ansys-WorkbenchANSYSN/AWielofunkcyjny program do projektowania komputerowego metodą elementów skończonych.https://www.ansys.com
IsightEngineous SogtwareN/AKompleksowe oprogramowanie inżynierskie wspomagane komputerowo.https://www.3ds.com
NVIDIA GPUNVIDIAN/AWymagany jest procesor graficzny NVIDIA, ponieważ niektóre z poniższych ram oprogramowania nie będą działać w inny sposób. https://www.nvidia.com
Oprogramowanie
SOLIDWORKSDassault SysèmesesN/ASolidWorks dostarcza różne rozwiązania projektowe, zmniejsza liczbę błędów w procesie projektowania i poprawia jakość produktu
www.solidworks.com

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. 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).
  6. Skerlos, S. J., Winebrake, J. J. Targeting plug-in hybrid electric vehicle policies to increase social benefits. Energy Policy. 38 (2), 705-708 (2010).
  7. Avadikyan, A., Llerena, P. A real options reasoning approach to hybrid vehicle investments. Technological Forecasting and Social Change. 77 (4), 649-661 (2010).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. Wang, Q., et al. Thermal runaway caused fire and explosion of lithium-ion battery. Journal of power sources. 208, 210-224 (2012).
  13. Rao, Z., Wang, S. A review of power battery thermal energy management. Renewable and Sustainable Energy Reviews. 15 (9), 4554-4571 (2011).
  14. 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).
  15. 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).
  16. 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).
  17. 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).
  18. 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).
  19. 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).
  20. Liu, Y., Zhang, J. Self-adapting J-type air-based battery thermal management system via model predictive control. Applied Energy. 263, 114640(2020).
  21. 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).
  22. 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).
  23. 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).
  24. 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).
  25. 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).
  26. 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).
  27. Oliveira Jr, H. A., Petraglia, A. Global optimization using dimensional jumping and fuzzy adaptive simulated annealing. Applied Soft Computing. 11 (6), 4175-4182 (2011).
  28. Ingber, L. Very fast simulated re-annealing. Mathematical and computer modelling. 12 (8), 967-973 (1989).
  29. 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).
  30. 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).
  31. 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).
  32. 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).
  33. 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).
  34. Chen, K., et al. Design of parallel air-cooled battery thermal management system through numerical study. Energies. 10 (10), 1677(2017).
  35. 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).
  36. 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).
  37. 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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Termiczne zarz dzanie bateriamioptymalizacja przep ywu powietrzaanaliza przep ywu p yn wsymulacja FEMmodel powierzchni odpowiedzipr bkowanie metod aci skiego hiperkostkizu ycie energii

Powiązane artykuły