Optymalizacja systemu zarządzania ciepłem na bazie powietrza dla zapylonych akumulatorów litowo-jonowych pokrytych cząstkami stałymi
November 3rd, 2023
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.
Badanie to ma na celu rozwiązanie problemu wzrostu temperatury ogniwa i spadku wydajności spowodowanego przez zapylone cząstki stałe pokrywające powierzchnię ogniwa poprzez przydzielenie prędkości przepływu powietrza u podstawy chłodzenia akumulatora w celu niskiego zużycia energii. Opracowano metodę optymalizacji uwzględniającą jednocześnie zużycie energii i wydajność cieplną systemu zarządzania baterią. I może być szeroko stosowany w celu poprawy cyklu życia akumulatora przy minimalnych kosztach operacyjnych.
Aby rozpocząć analizę przepływu płynów, przeciągnij przepływ płynów z przybornika i systemów analitycznych do strefy schematu projektu. Następnie przytrzymaj lewym przyciskiem myszy siatkę airMESH, siatkę batteryFEM i siatkę dpmFEM i przesuń je do ustawień przepływu płynu. Kliknij prawym przyciskiem myszy przepływ płynu, a następnie skonfiguruj i wybierz aktualizację, aby przejść do okna konfiguracji.
Potwierdź poprawność modelu MES i sprawdź, czy siatka ma objętość ujemną. Teraz wejdź do interfejsu ustawień modelu lepkości i modelu promieniowania i wybierz odpowiednio model k-epsilon i dyskretny model ordynacji. Zmień typ płynu w ponumerowanych domenach baterii na typ stały.
Następnie w pełnym oknie kliknij dwukrotnie każdą domenę baterii, aby zmienić materiał DPM na materiał baterii. Następnie wybierz pozycję Warunki źródłowe i zaznacz podświetlone warunki źródłowe, aby dodać źródło energii, przypisując liczbę w liczbie źródeł energii i wybierając Typ stałej, aby wprowadzić wartość źródła. Zmień typ płynu numerowanych domen programu DPM na typ bryły.
Następnie przekonwertuj typ wszystkich powierzchni o zmienionych nazwach, w tym wewnętrzne powierzchnie domeny powietrznej, wszystkie strony domen baterii i domeny DPM z domyślnej ściany na interfejs. Aby wygenerować interfejsy siatki, kliknij interfejsy siatki i przejdź do okna tworzenia i edycji interfejsów siatki. Dopasuj powierzchnie gniazda ze wszystkich stron z wyjątkiem górnych stron domen baterii i dolnych stron domen programu DPM.
Nazwij je i ponumeruj odpowiednio jako interfejs 1 do interfejsu 11. Następnie dopasuj górne strony domen baterii i dolne boki domen programu DPM. Nazwij je i ponumeruj odpowiednio jako interfejs 12 do interfejsu 22.
Aby przypisać zewnętrzną powierzchnię obramowania jako granicę termiczną ściany, należy ustawić współczynnik przenikania ciepła na 5 w mieszanych warunkach termicznych. Następnie zmień materiał z domyślnego aluminium na wcześniej zdefiniowany materiał skrzynki akumulatorowej. W oknie wlotu prędkości ustaw prędkości przepływu powietrza wszystkich wlotów na 5 metrów na sekundę.
Następnie ustaw ciśnienie manometryczne wylotu na zero w okienku wylotu ciśnienia. Następnie ustaw stan domeny obliczeniowej z początkową temperaturą 300 kelwinów i typem inicjalizacji rozwiązania najlepsza inicjalizacja standardowa. Ustaw liczbę iteracji na 2 000 i kliknij przycisk Oblicz, aby rozpocząć symulację.
Aby przejść do okna postu CFD, kliknij dwukrotnie przepływ płynu, a następnie wyniki. Następnie w przyborniku kliknij dwukrotnie ikonę konturu. W selektorze lokalizacji wybierz wszystkie strony baterii i przełącz się z ciśnienia na temperaturę.
Następnie kliknij Zastosuj, aby wygenerować kontur temperatury baterii. Kliknij plik, a następnie eksportuj, aby wybrać temperaturę wybranych zmiennych, a następnie kliknij przycisk rozwijany lokalizacji, aby wybrać domeny baterii. Kliknij OK, a następnie przycisk Zapisz, aby wyjść.
Zmiany temperatury akumulatora przy różnych prędkościach przepływu powietrza wlotowego wykazały, że maksymalna temperatura akumulatora spada wraz ze wzrostem prędkości przepływu na wlocie. Porównanie rozkładu temperatury akumulatora i drugiego rozkładu temperatury akumulatora w różnych środowiskach wykazało, że temperatura akumulatora wzrasta w warunkach zapylenia ze względu na niską przewodność cieplną DPM. Zacznij od otwarcia pustego arkusza kalkulacyjnego, aby utworzyć tabelę z wierszami o nazwach wlot1, wlot2 i wlot3 w pierwszej kolumnie.
Zapisz plik jako sample.xlsx. Uruchom oprogramowanie optymalizacyjne i przeciągnij ikonę arkusza kalkulacyjnego na pojedynczą strzałkę zadania pierwszego. Następnie kliknij dwukrotnie ikonę arkusza kalkulacyjnego, aby otworzyć okno edytora komponentów Excel.
Kliknij przycisk przeglądania, aby zaimportować sample.xlsx. Następnie kliknij przycisk Dodaj to mapowanie, aby odwzorować wlot1, wlot2 i wlot3 na A1, A2 i A3 jako parametry. Kliknij OK, aby powrócić do początkowego okna, przeciągnij ikonę DOE do zadania pierwszego i kliknij ją dwukrotnie, aby otworzyć okno edytora komponentów DOE.
Wybierz Optymalna hipersześcian łaciński. A w oknie ogólnym ustaw liczbę punktów na 15. Przejdź do okna czynników i ustaw 5.5 jako górną granicę i 5 jako dolną granicę dla A1, A2 i A3. Przełącz się do okna macierzy projektowej i kliknij przycisk generuj, aby utworzyć losowe punkty próbkowania dla różnych prędkości wlotowych.
Zamknij oprogramowanie optymalizacyjne. Połącz zmienne predyktora x1, x2 i x3 tablic prędkości i y tablic temperatury, aby utworzyć nową tabelę, zapisz tabelę jako próbkę. txt i zaimportuj go, aby dopasować go do modelu powierzchni odpowiedzi.
Uruchom ponownie oprogramowanie optymalizacyjne i przeciągnij ikonę aproksymacji na pojedynczą strzałkę zadania pierwszego. Kliknij dwukrotnie ikonę zadania, aby wyświetlić okno aproksymacji edytora komponentów w celu wybrania modelu powierzchni odpowiedzi. Przejdź do okna pliku danych i zaimportuj próbkę.
txt zawierający zmienne predykcyjne. Przejdź do okna parametrów i kliknij skanuj, aby otworzyć parametry w oknie pliku danych, w którym zmienne predyktora x1, x2 i x3 są zdefiniowane jako dane wejściowe i y jako wyjściowe. Następnie przejdź do okna opcji techniki i wybierz kwadratowy w kolejności wielomianowej.
Przejdź do okna opcji analizy błędów i wybierz opcję Krzyżowa walidacja w metodzie analizy błędów. Następnie przejdź do okna widoku danych i kliknij przycisk Zainicjuj teraz, aby uzyskać współczynniki równania kwadratowej regresji liniowej. Kliknij przycisk analizy błędów, aby otworzyć okno analizy błędów przybliżenia.
Sprawdź, czy błędy spełniają akceptowalne standardy dla każdego typu błędu. Zamknij okno komponentu aproksymacji. Przeciągnij ikonę optymalizacji do zadania pierwszego i kliknij ją dwukrotnie, aby otworzyć okno optymalizacji edytora komponentów.
Następnie wybierz adaptacyjny, symulowany i klęczący w technice optymalizacji. Przejdź do okna zmiennych i ustaw 5.5 jako górny limit i 5 jako dolny limit. Przejdź do okna celów i wybierz parametr Y przed zamknięciem okna optymalizacji edytora komponentów.
Na koniec kliknij przycisk uruchom optymalizację i poczekaj na wyniki optymalizacji. Nasza analiza kwadratowa wykazała, że model aproksymacji powierzchni odpowiedzi wielomianowej drugiego rzędu miał dobrą dokładność dopasowania. Maksymalna temperatura uzyskana w wyniku optymalizacji wyniosła 309,39 kelwinów przy określonych prędkościach przepływu powietrza na wlotach.
Zoptymalizowane prędkości przepływu powietrza doprowadziły do niższej maksymalnej temperatury wynoszącej 309,39 kelwinów w porównaniu z początkowym przypadkiem, suma prędkości przepływu powietrza w zoptymalizowanej obudowie jest mniejsza niż w przypadku niezoptymalizowanych. Jednak maksymalna temperatura nie wzrasta wraz ze zmniejszającą się prędkością przepływu powietrza. Ponadto rozkład linii przepływu po optymalizacji staje się szerszy.
Czynnik x1 ma największy wpływ na temperaturę, podczas gdy czynniki x2 i x3 mają podobne efekty.
View the full transcript and gain access to thousands of scientific videos
Przegląd
Niniejsza praca dotyczy problemu rosnących temperatur ogniw i spadku wydajności systemów bateryjnych w wyniku zanieczyszczeń pyłowych. Wprowadza metodę optymalizacji, która równoważy zużycie energii i wydajność cieplną w celu wydłużenia żywotności baterii.
Kluczowe elementy pracy
Obszar nauki
- Systemy zarządzania bateriami
- Optymalizacja wydajności cieplnej
- Dynamika płynów w systemach chłodzenia
Wprowadzenie
- Nagromadzenie pyłu może negatywnie wpływać na wydajność baterii.
- Skuteczne chłodzenie jest kluczowe dla utrzymania efektywności baterii.
- Regulacja prędkości przepływu powietrza może złagodzić wzrost temperatury.
- Potrzebne są energooszczędne rozwiązania dla zrównoważonej pracy baterii.
Cel pracy
- Optymalizacja prędkości przepływu powietrza w systemach chłodzenia baterii.
- Zmniejszenie zużycia energii przy jednoczesnym utrzymaniu wydajności cieplnej.
- Wydłużenie żywotności pakietów bateryjnych przy minimalnych kosztach.
Wykorzystane metody
- Metoda symulowanego wyżarzania adaptacyjnego (ASAM) do optymalizacji.
- Analiza przybliżonego kwadratowego modelu powierzchni odpowiedzi (QRSM).
- Analiza przepływu płynów przy użyciu dedykowanych narzędzi programowych.
- Generowanie siatki do symulacji dynamiki płynów.
Główne wyniki
- Osiągnięto udaną optymalizację prędkości przepływu powietrza.
- Zaobserwowano redukcję spadków temperatury w systemie bateryjnym.
- Metoda wykazała niskie zużycie energii.
- Potencjał do szerokiego zastosowania w systemach zarządzania bateriami.
Wnioski
- Proponowana metoda skutecznie rozwiązuje problem zarządzania temperaturą.
- Stanowi ona opłacalne rozwiązanie dla chłodzenia baterii.
- Przyszłe zastosowania mogą poprawić wydajność baterii w różnych warunkach.
Często zadawane pytania
Executive Industry Relevance
Thermal management of lithium-ion battery packs is critical for maintaining performance and longevity, especially under challenging environmental conditions such as dust accumulation. This protocol demonstrates a simulation-driven optimization workflow that balances energy efficiency with thermal control, directly supporting predictive confidence in battery system reliability. The approach enables risk-adjusted design decisions for battery management systems in R&D and operational settings.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables quantitative assessment of thermal risk factors impacting battery system stability.
- Supports mechanistic de-risking by isolating the effects of particulate matter on heat transfer.
- Facilitates predictive modeling for system-level performance under variable environmental loads.
Screening & Assay Development
- Provides a validated simulation framework for evaluating airflow and thermal parameters.
- Standardizes input variables and boundary conditions for reproducible optimization studies.
- Generates quantitative outputs for benchmarking cooling strategies across battery designs.
Translational & Preclinical Research
- Aligns simulation outputs with operational thresholds relevant to real-world deployment.
- Enables continuity from discovery-phase modeling to preclinical system validation.
- Supports risk-adjusted advancement of battery management solutions for regulated environments.
Pipeline & Workflow Integration
This optimization protocol integrates into the battery R&D continuum from early discovery modeling through preclinical validation of thermal management strategies.
- Discovery Biology: Quantifies the impact of environmental variables on system performance for hypothesis-driven design.
- Screening: Delivers reproducible, quantitative airflow and temperature data for comparative analysis.
- Analytics: Employs statistical modeling and cross-validation to ensure robust predictive outputs.
- Translational Research: Bridges simulation findings to operational deployment scenarios for battery packs.
- Enterprise Reuse: Establishes a scalable, simulation-based optimization capability for future battery system designs.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in battery pack performance under environmental stressors.
- Operational Value: Standardizes simulation and optimization workflows for reproducibility and scalability.
- Strategic Value: Informs go/no-go decisions for battery management system designs with reduced late-stage risk.
- Portfolio Impact: Enables risk-adjusted prioritization of battery technologies for further development.
Implementation Considerations
- Requires expertise in computational fluid dynamics and simulation software operation.
- Demands access to high-performance computing and specialized optimization tools.
- Necessitates standardized data input formats and cross-team protocol alignment.
- Adaptable to various battery pack geometries and environmental scenarios with appropriate model adjustments.
- Dependent on accurate material property data and boundary condition specification for reliable outputs.
