Summary
Hier stellen wir die adaptive simulierte Annealing-Methode (ASAM) vor, um ein approximatives quadratisches Reaktionsflächenmodell (QRSM) zu optimieren, das einem staubigen, mit Feinstaub bedeckten Batteriewärmemanagementsystem entspricht, und die Temperaturabfälle durch Anpassung der Luftströmungsgeschwindigkeitskombination von Systemeinlässen zu kompensieren.
Abstract
Diese Studie zielt darauf ab, das Problem des Temperaturanstiegs und des Leistungsabfalls der Zelle zu lösen, der durch staubige Partikel verursacht wird, die die Oberfläche der Zelle bedecken, indem Luftströmungsgeschwindigkeiten an den Einlässen der Batteriekühlbox mit dem Ziel eines niedrigen Energieverbrauchs zugewiesen werden. Wir nehmen die maximale Temperatur des Akkupacks bei einer bestimmten Luftströmungsgeschwindigkeit und staubfreien Umgebung als die erwartete Temperatur in einer staubigen Umgebung. Die maximale Temperatur des Batteriepacks in staubiger Umgebung wird bei unterschiedlichen Ansaugluftströmungsgeschwindigkeiten gelöst, die die Randbedingungen des in der Simulationssoftware konstruierten Analysemodells darstellen. Die Arrays, die die verschiedenen Kombinationen von Luftströmungsgeschwindigkeiten von Einlässen darstellen, werden nach dem Zufallsprinzip durch den optimalen lateinischen Hyperwürfelalgorithmus (OLHA) generiert, wobei die untere und obere Grenze der Geschwindigkeiten, die den Temperaturen über der gewünschten Temperatur entsprechen, in der Optimierungssoftware festgelegt wird. Wir ermitteln einen ungefähren QRSM zwischen der Geschwindigkeitskombination und der maximalen Temperatur mit Hilfe des Anpassungsmoduls der Optimierungssoftware. Das QRSM wird auf der Grundlage des ASAM optimiert, und das optimale Ergebnis stimmt gut mit dem Analyseergebnis überein, das von der Simulationssoftware erhalten wird. Nach der Optimierung wird die Strömungsgeschwindigkeit des mittleren Einlasses von 5,5 m/s auf 5 m/s geändert und die Gesamtströmungsgeschwindigkeit um 3 % verringert. Das Protokoll stellt hier eine Optimierungsmethode dar, die gleichzeitig den Energieverbrauch und die thermische Leistung des etablierten Batteriemanagementsystems berücksichtigt und zur Verbesserung der Lebensdauer des Batteriepacks bei minimalen Betriebskosten eingesetzt werden kann.
Introduction
Mit der rasanten Entwicklung der Automobilindustrie verbrauchen Fahrzeuge mit herkömmlichem Kraftstoff viele nicht erneuerbare Ressourcen, was zu ernsthafter Umweltverschmutzung und Energieknappheit führt. Eine der vielversprechendsten Lösungen ist die Entwicklung von Elektrofahrzeugen (EVs)1,2.
Die für Elektrofahrzeuge verwendeten Leistungsbatterien können elektrochemische Energie speichern, was der Schlüssel zum Ersatz herkömmlicher Kraftstofffahrzeuge ist. Zu den Leistungsbatterien, die in Elektrofahrzeugen verwendet werden, gehören Lithium-Ionen-Batterien (LIB), Nickel-Metallhydrid-Batterien (NiMH) und elektrische Doppelschichtkondensatoren (EDLC)3. Im Vergleich zu den anderen Batterien werden Lithium-Ionen-Batterien aufgrund ihrer Vorteile wie hoher Energiedichte, hoher Effizienz und langer Lebensdauer derzeit häufig als Energiespeicher in Elektrofahrzeugen eingesetzt 4,5,6,7.
Aufgrund der chemischen Reaktionswärme und der Joule-Wärme kann es jedoch leicht passieren, dass sich beim Schnellladen und Entladen mit hoher Intensität eine große Wärmemenge ansammelt und die Batterietemperatur erhöht wird. Die ideale Betriebstemperatur von LIB liegt bei 20-40 °C 8,9. Der maximale Temperaturunterschied zwischen den Batterien in einem Batteriestrang sollte 5 °C nicht überschreiten10,11. Andernfalls kann dies zu einer Reihe von Risiken führen, wie z. B. einem Temperaturungleichgewicht zwischen den Batterien, beschleunigter Alterung, sogar Überhitzung, Feuer, Explosion usw.12. Daher ist das kritische Problem, das gelöst werden muss, die Entwicklung und Optimierung eines effizienten Batterie-Wärmemanagementsystems (BTMS), das die Temperatur und die Temperaturdifferenz des Batteriepacks innerhalb eines engen Rahmens steuern kann.
Typische BTMS umfassen Luftkühlung, Wasserkühlung und Phasenwechselmaterialkühlung13. Unter diesen Kühlverfahren ist der Luftkühlungstyp wegen seiner geringen Kosten und der Einfachheit der Struktur14 weit verbreitet. Aufgrund der begrenzten spezifischen Wärmekapazität der Luft kann es in luftgekühlten Systemen leicht zu hohen Temperaturen und großen Temperaturunterschieden zwischen Batteriezellen kommen. Um die Kühlleistung von luftgekühlten BTMS zu verbessern, ist es notwendig, ein effizientes System 15,16,17 zu konzipieren. Qian et al.18 sammelten die maximale Temperatur und Temperaturdifferenz des Akkupacks, um das entsprechende Bayes'sche neuronale Netzwerkmodell zu trainieren, das zur Optimierung der Zellabstände des luftgekühlten Serienbatteriepacks verwendet wird. Chen et al.19 berichteten über die Verwendung der Newton-Methode und des Strömungswiderstands-Netzwerkmodells zur Optimierung der Breiten des Einlassdivergenz-Plenums und des Auslass-Konvergenz-Plenums im parallelen luftgekühlten Z-Typ-System. Die Ergebnisse zeigten eine Reduzierung der Temperaturdifferenz des Systems um 45 %. Liu et al.20 beprobten fünf Gruppen der Kühlkanäle im J-BTMS und erhielten die beste Kombination von Zellabständen durch den Ensemble-Surrogat-basierten Optimierungsalgorithmus. Baveja et al.21 modellierten ein passiv balanciertes Batteriemodul, und die Studie beschrieb die Auswirkungen der thermischen Vorhersage auf den passiven Balancing auf Modulebene und umgekehrt. Singh et al.22 untersuchten ein Batterie-Wärmemanagementsystem (BTMS), das gekapseltes Phasenwechselmaterial zusammen mit einer erzwungenen konvektiven Luftkühlung verwendete, die unter Verwendung der gekoppelten elektrochemisch-thermischen Modellierung entwickelt wurde. Fan et al.23 schlugen eine Flüssigkeitskühlplatte vor, die eine mehrstufige Tesla-Ventilkonfiguration umfasst, um einen sichereren Temperaturbereich für eine prismatische Lithium-Ionen-Batterie mit hoher Erkennung in mikrofluidischen Anwendungen bereitzustellen. Feng et al. 24 verwendeten die Methode des Variationskoeffizienten, um die Schemata mit unterschiedlichen Einlassdurchflussraten und Batterieabständen zu bewerten. Talele et al.25 führten eine wandverstärkte Pyro-Lining-Wärmedämmung ein, um die potenziell erzeugte Wärme auf der Grundlage einer optimalen Platzierung der Heizfolien zu speichern.
Wenn man luftgekühltes BTMS verwendet, werden Metallstaubpartikel, Mineralstaubpartikel, Baustoffstaubpartikel und andere Partikel in der äußeren Umgebung durch das Gebläse in die Luftkühlung BTMS gebracht, was dazu führen kann, dass die Oberfläche der Batterien mit DPM bedeckt wird. Wenn es keinen Wärmeableitungsplan gibt, kann es aufgrund der zu hohen Batterietemperatur zu Unfällen kommen. Nach der Simulation nehmen wir die maximale Temperatur des Akkupacks in einer vorgegebenen Luftströmungsgeschwindigkeit und staubfreien Umgebung als die erwartete Temperatur in einer staubigen Umgebung. Erstens bezieht sich die C-Rate auf den Stromwert, der erforderlich ist, wenn die Batterie ihre Nennkapazität innerhalb der angegebenen Zeit freigibt, was einem Vielfachen der Nennkapazität der Batterie im Datenwert entspricht. In dieser Arbeit wird in der Simulation eine 2C-Entladungsrate verwendet. Die Nennkapazität beträgt 10 Ah, die Nennspannung 3,2 V. Lithium-Eisenphosphat (LiFePO4) wird als positives Elektrodenmaterial und Kohlenstoff als negatives Elektrodenmaterial verwendet. Der Elektrolyt enthält Elektrolyt-Lithiumsalz, ein hochreines organisches Lösungsmittel, notwendige Zusatzstoffe und andere Rohstoffe. Das zufällige Array, das die verschiedenen Geschwindigkeitskombinationen an den Einlässen darstellt, wurde durch den OLHA bestimmt, und eine Funktion 2. Ordnung zwischen der maximalen Temperatur des Batteriepacks und der Kombination der Einlassströmungsgeschwindigkeit wurde unter der Bedingung der Überprüfung der Genauigkeit der Kurvenanpassung eingerichtet. Lateinische Hyperwürfel (LH) wurden in vielen Computerexperimenten angewendet, seit sie von McKay et al. vorgeschlagen wurden.26. Ein LH ist durch eine N x p-Matrix L gegeben, wobei jede Spalte von L aus einer Permutation der ganzen Zahlen 1 bis N besteht. In dieser Arbeit wird die optimale lateinische Hyperwürfel-Sampling-Methode verwendet, um den Rechenaufwand zu reduzieren. Die Methode verwendet geschichtete Stichproben, um sicherzustellen, dass die Probenahmestellen alle Probenahmeinterna abdecken können.
Im folgenden Schritt wurde die Kombination der Einlassströmungsgeschwindigkeit optimiert, um die maximale Temperatur des Batteriepacks in einer staubigen Umgebung auf Basis des ASAM unter gleichzeitiger Berücksichtigung des Energieverbrauchs zu senken. Der adaptive Simulated Annealing-Algorithmus wurde umfassend entwickelt und in vielen Optimierungsproblemen weit verbreitet 27,28. Dieser Algorithmus kann vermeiden, in einem lokalen Optimum gefangen zu sein, indem er mit einer bestimmten Wahrscheinlichkeit die schlechteste Lösung akzeptiert. Das globale Optimum wird durch die Definition der Akzeptanzwahrscheinlichkeit und der Temperatur erreicht; Mit diesen beiden Parametern kann auch die Berechnungsgeschwindigkeit angepasst werden. Um die Genauigkeit der Optimierung zu überprüfen, wurde schließlich das optimale Ergebnis mit dem Analyseergebnis der Simulationssoftware verglichen.
In dieser Arbeit wird eine Optimierungsmethode für den Einlassdurchfluss des Batteriekastens für den Batteriepack vorgeschlagen, dessen Temperatur aufgrund der Staubabdeckung ansteigt. Ziel ist es, bei geringem Energieverbrauch die maximale Temperatur des staubbedeckten Akkupacks unter die maximale Temperatur des nicht staubbedeckten Akkupacks zu senken.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
HINWEIS: Die Roadmap für die Forschungstechnologie ist in Abbildung 1 dargestellt, in der die Modellierungs-, Simulations- und Optimierungssoftware verwendet wird. Die benötigten Materialien sind in der Materialtabelle aufgeführt.
1. Erstellen des 3D-Modells
HINWEIS: Wir haben Solidworks verwendet, um das 3D-Modell zu erstellen.
- Zeichnen Sie ein Rechteck mit den Maßen 252 mm x 175 mm, klicken Sie auf Aufsatz/Basis extrudieren, und geben Sie 73 ein. Erstellen Sie eine neue Ebene 4 mm von der Außenfläche entfernt.
- Zeichnen Sie ein Rechteck mit den Maßen 131 mm x 16 mm, und klicken Sie auf Lineares Skizzenmuster. Geben Sie 22 bzw. 6 in Abstand bzw. Anzahl der Instanzen ein. Wählen Sie alle vier Seiten des Rechtecks aus, und klicken Sie auf OK. Geben Sie 180 im Winkel ein und führen Sie ihn erneut aus. Dieser Schritt dient der Symmetrie in der Mitte des Modells.
- Klicken Sie auf Schnitt extrudieren, geben Sie 65 ein, und klicken Sie auf OK. Klicken Sie auf Aufsatz/Basis extrudieren, geben Sie 65 ein, deaktivieren Sie Ergebnis zusammenführen, und klicken Sie auf Richtung umkehren und OK.
Hinweis: Wenn das Zusammenführungsergebnis deaktiviert ist, wird die gestreckte Entität zu einer separaten Entität. Es gibt insgesamt 23 Teile, darunter 11 Batterien, 11 staubige Feinstaubpartikel und 1 Luftdomäne. - Zeichne ein Rechteck von 16 mm x 1 mm. Wiederholen Sie die Schritte 1.2 und 1.3.
- Zeichnen Sie ein Rechteck mit den Maßen 63 mm x 15 mm, klicken Sie auf die obere Kante des Rechtecks und auf das lineare Skizzenmuster. Geben Sie 21, 3 und 270 ein, und klicken Sie auf OK. Klicken Sie auf Linie teilen, und klicken Sie auf die Fläche des Würfels, klicken Sie auf OK.
- Zeichne ein Rechteck von 63 mm x 15 mm. Klicken Sie auf Linie teilen , und klicken Sie auf die Fläche des Würfels, und klicken Sie auf OK.
- Klicken Sie auf Datei und speichern Sie sie als X_T Datei.
HINWEIS: Die angegebene Größe:L-Box: 73 mm; B-Kasten:252 mm; H-Box:175 mm; Lb, Ld:65 mm; B, B,B: 10 mm; Hb:131 mm; Hd:1 mm; Li:63 mm; Bi:15 mm; d1, d2:5 mm, d3:6 mm ist in Abbildung 2 dargestellt. - Ziehen Sie die Netzkomponente durch Klicken auf Toolbox > Komponentensysteme > Netz in den Schaltplanbereich des Projekts. Importieren Sie die zuvor gespeicherte X_T Datei, indem Sie auf Geometrie klicken.
- Rufen Sie das Mesh-Design-Modellierer-Fenster auf, und das Akkupack-Modell, einschließlich 23 Teilen als unabhängige Körper, wird erneut angezeigt, indem Sie auf Generieren klicken.
- Wählen Sie alle 23 Teile der Batterie als neues Teil aus, das als Batterieteil bezeichnet wird, alle staubigen Partikel von 23 Teilen als Staubteil und Lufthohlraum als Luftteil im Baumumriss, um das anschließende Ausblenden und Benennen von Objekten zu erleichtern.
- Klicken Sie zunächst mit der rechten Maustaste auf BatteryPart und DustPart und wählen Sie die Option Hide Part aus, damit das Popup nur das Air Part anzeigt.
- Bewegen Sie die Maus auf die Auswahlsymbolleiste, um Auswahlfilter: Körper auszuwählen, klicken Sie mit der rechten Maustaste auf das Lufthohlraummodell in der Grafikzone, um Benannte Auswahl auszuwählen, und benennen Sie das Lufthohlraummodell in der Detailansichtszone in Luftdomäne um.
- Wechseln Sie zu Auswahlfilter: Flächen, klicken Sie mit der rechten Maustaste, und benennen Sie die Fläche, die in drei Teile aufgeteilt wurde, von unten nach oben in inlet1, inlet2 und inlet3 um, wobei die separate Fläche rechts von diesen drei Flächen als outlet bzw. die verbleibende äußere Fläche als outerBorder bezeichnet wird.
- Schalten Sie den Auswahlmodus auf die Quaderauswahl um, klicken Sie auf die Y-Achse , um die geeignete Ansicht des Lufthohlraummodells für die bequeme Boxauswahl zu erhalten, benennen Sie alle Innenflächen als Hohlraumfläche1 in Hohlraumfläche11 mithilfe der Quaderauswahl um und nummerieren Sie sie.
- Um nur das batteryPart anzuzeigen, klicken Sie mit der rechten Maustaste auf airPart und wählen Sie Teil ausblenden. Klicken Sie mit der rechten Maustaste auf batteryPart, und wählen Sie im Kontextmenü die Option Teil anzeigen aus.
- Bewegen Sie die Maus in die Auswahlsymbolleiste, um Auswahlfilter: Körper auszuwählen, schalten Sie den Auswahlmodus auf Einzelauswahl um, klicken Sie mit der rechten Maustaste auf Jedes Batteriemodell in der Grafikzone, um die benannte Auswahl auszuwählen, benennen Sie die 11 Batteriemodelle in der Detailansichtszone um und nummerieren Sie sie als batteryDomain1 bzw. batteryDomain11.
- Darüber hinaus hat jedes Batteriemodell sechs Seiten, wechseln Sie dann zu Auswahlfilter: Gesichter, klicken Sie mit der rechten Maustaste auf jede Seite der nummerierten Batteriedomänen , um Benannte Auswahl auszuwählen, und benennen Sie sie entsprechend der Ausrichtung der Batterieseite um. Benennen Sie z. B. sechs Seiten der nummerierten batteryDomain1 in batteryDomain1_Upper, batteryDomain1_Lower, batteryDomain1_Left, batteryDomain1_Right, batteryDomain1_Front und batteryDomain1_Back um.
- Um nur das dustPart anzuzeigen, klicken Sie mit der rechten Maustaste auf batteryPart, und wählen Sie Teil ausblenden aus. Klicken Sie mit der rechten Maustaste auf dustPart, und wählen Sie im Kontextmenü die Option Teil anzeigen aus.
- Bewegen Sie die Maus auf die Auswahlsymbolleiste, um den Auswahlfilter: Körper auszuwählen, klicken Sie mit der rechten Maustaste auf jedes staubige Feinstaubmodell in der Grafikzone, um Benannte Auswahl auszuwählen, benennen Sie die 11 staubigen Feinstaubmodelle in der Detailansichtszone in dpmDomain1 bzw. dpmDomain11 um und nummerieren Sie sie.
- Darüber hinaus hat jedes staubige Feinstaubmodell sechs Seiten; Wechseln Sie dann zum Auswahlfilter: Gesichter, klicken Sie mit der rechten Maustaste auf Jede Seite der nummerierten dpmDomains , um Benannte Auswahl auszuwählen, und benennen Sie sie entsprechend der Ausrichtung der staubigen Feinstaubseite um. Benennen Sie z. B. sechs Seiten der nummerierten dpmDomain1 in dpmDomain1_Upper, dpmDomain1_Lower, dpmDomain1_Left, dpmDomain1_Right, dpmDomain1_Front und dpmDomain1_Back um.
- Zeigen Sie alle Körper an und kehren Sie zum Ausgangsfenster zurück.
2. Generieren des Netzmodells
ANMERKUNG: Die Finite-Elemente-Vernetzung ist ein sehr wichtiger Schritt in der numerischen Finite-Elemente-Simulationsanalyse, der sich direkt auf die Genauigkeit der nachfolgenden numerischen Analyseergebnisse auswirkt. Die umbenannten Elemente werden dann vernetzt.
- Um die Luftdomäne, die Batteriedomäne und die DPM-Domäne unabhängig voneinander zu vernetzen, ziehen Sie zwei Netzkomponenten erneut aus Toolbox > Komponentensysteme > Netz in die Schaltplanzone des Projekts und benennen Sie sie in airFEM, batteryFEM bzw. dpmFEM um. Halten Sie die airFEM > Geometrie mit der linken Maustaste gedrückt und ziehen Sie sie auf die batteryFEM > Geometrie.
- Halten Sie als Nächstes die batteryFEM > Geometrie mit der linken Maustaste gedrückt und ziehen Sie sie auf die dpmFEM > Geometrie. Klicken Sie mit der rechten Maustaste auf die Linien zwischen den drei Netzkomponenten, und wählen Sie Löschen aus, um die Zuordnung der Netzkomponenten aufzuheben.
- Doppelklicken Sie auf das Netz von airFEM, rufen Sie das Vernetzungsfenster auf, klicken Sie mit der rechten Maustaste auf batteryPart und dustPart , um den Körper unterdrücken auszuwählen, und ändern Sie die physikalische Einstellung von mechanisch auf CFD. Generieren Sie das FEM-Luftdomänenmodell mit der Flächengröße von 2 mm und der Körpergröße von 4 mm, indem Sie auf Aktualisieren klicken und zum Ausgangsfenster zurückkehren.
- Doppelklicken Sie auf das Netz von batteryFEM, rufen Sie das Vernetzungsfenster auf, klicken Sie mit der rechten Maustaste auf airPart und dustPart , um den Körper unterdrücken auszuwählen, und ändern Sie die physikalische Einstellung von Mechanisch auf CFD. Generieren Sie das FEM-Batteriedomänenmodell über die Körpergröße von 2 mm, indem Sie auf Aktualisieren klicken und zum Ausgangsfenster zurückkehren.
- Doppelklicken Sie auf das Netz von dpmFEM, rufen Sie das Vernetzungsfenster auf, klicken Sie mit der rechten Maustaste auf airPart und batteryPart , um Körper unterdrücken auszuwählen, und ändern Sie die physikalische Einstellung von Mechanisch in CFD. Generieren Sie das FEM-DPM-Domänenmodell durch Körpergrößenanpassung von 2 mm, indem Sie auf Aktualisieren klicken, kehren Sie zum Ausgangsfenster zurück.
HINWEIS: Abbildung 3A zeigt das Gitter der Luftdomäne, Abbildung 3B zeigt das Gitter der Batteriedomäne und Abbildung 3C zeigt das Gitter der DPM-Domäne. - Stellen Sie die Mindestgröße des Luftgitters auf 4 mm und die Mindestgröße des Batterie- und Staubstaubgitters auf 2 mm ein. Stellen Sie sicher, dass das Raster lösungsunabhängig ist, ändern Sie die minimale Zellengröße des Rasters, und führen Sie eine Gitterempfindlichkeitsstudie durch.
HINWEIS: Wie in Abbildung 4 dargestellt, betragen die maximalen Änderungen der Batterietemperatur weniger als 0,6 K, wenn die Anzahl der Gitter von 519343 auf 1053849 zunimmt. Unter Berücksichtigung der Rechenfähigkeit und -genauigkeit basiert die folgende Analyse auf dem Gittermodell mit 931189 Gittern.
3. Simulationsanalyse
- Ziehen Sie Fluid Flow aus Toolbox > Analysis Systems > Fluid Flow in den Schaltplanbereich des Projekts. Halten Sie airFEM > Mesh, dann batteryFEM > Mesh und dpmFEM > Mesh mit der linken Maustaste gedrückt und ziehen Sie sie auf Fluid Flow > Setup. Klicken Sie > Setup mit der rechten Maustaste auf Fluid Flow und wählen Sie Aktualisieren , um das eingestellte Fenster aufzurufen.
- Überprüfen Sie die Gültigkeit des FEM-Modells und prüfen Sie, ob das Netz ein negatives Volumen hat. Die Software schlägt automatisch das Volumen des Modells vor, und ein angemessener Modellwert ist positiv. Wenn es ein Problem mit dem geteilten Raster oder den Modelleinstellungen gibt, wird eine Fehlermeldung angezeigt, um dies mitzuteilen.
- Aktivieren Sie die Energiegleichung in Wärmeübertragungsmodellen. Geben Sie die Einstellschnittstelle des viskosen Modells und des Strahlungsmodells ein und wählen Sie das K-Epsilon-Modell und das diskrete Ordinatenmodell aus.
HINWEIS: Wie in Abbildung 5 beim Vergleich von vier viskosen Modellen gezeigt, unterscheiden sich die Berechnungsergebnisse des Spalart-Allmaras-Modells erheblich von denen anderer Modelle. Die Ergebnisse des Standard-K-Epsilon-Modells ähneln denen anderer K-Epsilon-Modelle. Das Standard-K-Epsilon-Modell mit höherer Stabilität und Wirtschaftlichkeit ist weit verbreitet; Die folgende Analyse basiert auf dem Standard-K-Epsilon-Modell. - Legen Sie die neuen Materialien mit unterschiedlichen Attributen für Luftmaterial, Batteriematerial, DPM-Material und Batteriekastenmaterial basierend auf Tabelle 1 fest.
HINWEIS: Im Inneren des Akkupacks befinden sich drei verschiedene physikalische Materialien: Luft als Flüssigkeit und der Rest als Feststoff. Richten Sie als Nächstes das Material ein.- Ändern Sie den Fluidtyp der nummerierten Batteriedomänen in den Typ Solid und ändern Sie das dpm-Material in das Batteriematerial im Solid Fenster Solid , indem Sie auf die einzelnen Batteriedomänen doppelklicken. Wählen Sie anschließend das Element Quellterme aus, und klicken Sie auf die markierten Quellterme , um eine Energiequelle hinzuzufügen, indem Sie die Zahl in der Anzahl der Energiequellen zuweisen und Konstantentyp auswählen, um den Wert 209993 w/m3 einzugeben.
- Ändern Sie den Fluidtyp der nummerierten DPM-Domänen in Volumenkörpertyp .
- Stellen Sie als Nächstes die Schnittstelle für die Simulationsberechnung mehrerer verschiedener Domänen entsprechend der tatsächlichen Einstellung der Durchflussrate und des Wärmedurchgangskoeffizienten ein, wie unten beschrieben.
- Konvertieren Sie den Typ aller umbenannten Oberflächen, einschließlich der inneren Flächen der Luftdomäne und aller Seiten der Batteriedomänen sowie der DPM-Domänen von der Standardwand in die Schnittstelle. Sobald die oben genannten Schritte erfolgreich abgeschlossen sind, werden die Mesh-Schnittstellen sofort generiert.
- Klicken Sie auf die Netzschnittstellen und wechseln Sie zum Fenster Netzschnittstellen erstellen/bearbeiten . Passen Sie die Hohlraumoberflächen auf alle Seiten ab, mit Ausnahme der Oberseiten der Batteriedomänen und der Unterseiten des DPM-Domians. Benennen und nummerieren Sie sie als Nächstes als interface1 bzw. interface11. So können die 11 Mesh-Schnittstellen zwischen den Air- und Battery-Domians sowie den DPM-Domianen erstellt werden.
- Passen Sie die Oberseiten der Akkudomänen und die Unterseiten der DPM-Domänen an. Benennen und nummerieren Sie sie als Nächstes als interface12 bzw. interface22. Anschließend werden die 11 Mesh-Schnittstellen zwischen den Batteriedomänen und den DPM-Domänen erstellt.
- Weisen Sie die Oberfläche des äußeren Randes als thermische Randbedingung der Wand zu, indem Sie den Wärmedurchgangskoeffizienten in der gemischten thermischen Bedingung auf 5 setzen und das Material von Standardaluminium auf das zuvor selbst definierte Batteriekastenmaterial ändern.
- Stellen Sie die Strömungsgeschwindigkeiten aller Einlässe im Geschwindigkeitseintrittsfenster auf 5 m/s und den Überdruck des Auslasses auf Null im Druckausgangsfenster ein.
- Legen Sie als Nächstes den Zustand der Rechendomäne im Anfangsmoment fest, z. B. die Anfangstemperatur von 300 K, die sich auf den Prozess der Rechenkonvergenz auswirkt.
- Legen Sie den Typ der Projektmappeninitialisierung vor der Initialisierung als Standardinitialisierung fest.
- Legen Sie die Anzahl der Iterationen auf 2000 fest.
- Klicken Sie auf Berechnen , um zu simulieren. Kehren Sie zum Ausgangsfenster zurück, bis die Simulation abgeschlossen ist.
- Der obige Teil schließt die Simulationsberechnung der Temperatur und der Luftgeschwindigkeit im Inneren des Akkupacks ab und zeigt dann das Simulationsergebnis im Ergebnis an. Führen Sie die folgenden Schritte in den angezeigten Ergebnissen aus.
- Doppelklicken Sie auf Fluid Flow > Results , um das CFD-Post-Fenster aufzurufen, und klicken Sie dann in der Toolbox auf das Symbol Contour .
- Wählen Sie Alle Seiten der Batterien in der Standortauswahl aus und ändern Sie den Druck auf die Temperatur. Klicken Sie anschließend auf Übernehmen , um die Temperaturkontur der Batterien zu generieren.
- Klicken Sie auf Datei > Exportieren , um die Temperatur der ausgewählten Variable(n) auszuwählen. Klicken Sie auf die Dropdown-Schaltfläche der Standorte, um das Fenster zur Standortauswahl zu öffnen, in dem alle Batteriedomänen ausgewählt werden sollen. Klicken Sie auf OK und die Schaltfläche Speichern , um den Vorgang zu beenden.
HINWEIS: Eine Tabelle, deren Daten den Temperaturen der Netzknoten aller Batterien entsprechen, wird automatisch gespeichert, wenn auf die Schaltfläche "Speichern" geklickt wird. - Öffnen Sie die Tabelle, um den Maximalwert zu finden, der die maximale Temperatur der Batterien in einer staubigen Umgebung bei 5 m/s aller Luftstromeinlässe angibt.
- Erfassen Sie die maximale Temperatur der Batterien im staubfreien Zustand als erwartete Temperatur und vergleichen Sie sie mit der maximalen Temperatur im staubigen Zustand. Das Ergebnis zeigt, dass die gesamte Temperatur ansteigt.
HINWEIS: Um die maximale Temperatur von Batterien in einer staubfreien Umgebung zu erfassen, sollte das in Abbildung 6 gezeigte neue Akkumodell wiederhergestellt und alle Schritte 1.1-3.4.3 wiederholt werden. - Um die maximale Temperatur im Inneren des Akkupacks zu senken, stellen Sie die Luftströmungsgeschwindigkeiten an den Einlässen von 5 m/s auf 6 m/s ein, erhöhen Sie sie um 5 % und berechnen Sie die entsprechenden Maximaltemperaturen der staubbedeckten Batterien.
HINWEIS: Die Empfindlichkeitsanalyse der Parameter für die Luftströmungsgeschwindigkeit sollte rechtzeitig durchgeführt werden, bevor die Parameterwerte geändert werden. Wie in Abbildung 7 und Tabelle 2 dargestellt, haben wir für jede der sieben Gruppen unterschiedlicher Kombinationen von Einlassluftströmungsgeschwindigkeiten den gleichen Gesamtstrom beibehalten. Es gibt immer noch eine offensichtliche Variation der maximalen Temperatur aufgrund der unterschiedlichen Zuweisung der Luftströmungsgeschwindigkeit. Mit anderen Worten, es gibt irgendwie eine starke Korrelation zwischen der Kombination der Luftströmungsgeschwindigkeit und der maximalen Temperatur. Daher können diese Geschwindigkeitsparameter als Entwurfsvariablen verwendet werden. - Zeichnen Sie die Temperatur-Geschwindigkeits-Kurve wie in Abbildung 8 dargestellt, wobei die rote Linie angibt, dass die Temperaturkennlinie mit zunehmender Luftströmungsgeschwindigkeit abnimmt, und die blaue Linie die erwartete Temperatur darstellt.
- Halten Sie eine Erhöhung der Luftströmungsgeschwindigkeit um 10 % aufrecht. Wenn der Geschwindigkeitszuwachs mehr als 10 % beträgt, ist die maximale Temperatur bereits niedriger als die erwartete Temperatur, was jedoch nicht dem Zweck eines geringen Energieverbrauchs entspricht. Für den verbleibenden Luftdurchsatz reduzieren Sie die maximale Temperatur des Akkupacks durch Optimierung auf die erwartete Temperatur und erreichen so das Ziel eines geringen Energieverbrauchs.
4. Optimales lateinisches Hypercube-Sampling und Response-Oberflächenmodellierung
HINWEIS: Für die beibehaltenen Durchflussraten von 5 m/s bis 5,5 m/s werden Proben ausgewählt, um verschiedene Durchflussratenkombinationen innerhalb dieses Durchflussbereichs zu konstruieren. Die Geschwindigkeitskombinationen werden simuliert, um die maximale Temperatur zu erhalten. Konstruieren Sie die Funktion von Geschwindigkeit und maximaler Temperatur.
- Öffnen Sie eine neue leere Tabelle, um eine Tabelle zu erstellen, deren Zeilen in der ersten Spalte inlet1, inlet2 und inlet3 heißen, und speichern Sie die Datei als sampling.xlsx.
- Führen Sie die Optimierungssoftware aus und ziehen Sie das Tabellensymbol auf den einzelnen Pfeil von Aufgabe 1. Doppelklicken Sie anschließend auf das Tabellendiagramm-Symbol , um das Fenster Komponenten-Editor-Excel zu öffnen.
- Importieren Sie die sampling.xlsx, indem Sie auf die Schaltfläche Durchsuchen klicken, und ordnen Sie inlet1, inlet2 und inlet3 den Parametern A1, A2 und A3 zu, indem Sie auf die Schaltfläche Diese Zuordnung hinzufügen klicken. Klicken Sie auf die Schaltfläche OK , um zum Anfangsfenster zurückzukehren.
- Ziehen Sie das DOE-Symbol in Task1 und doppelklicken Sie darauf, um das Fenster Komponenten-Editor-DOE zu öffnen. Wählen Sie den OptimOKal Latin Hypercube aus und legen Sie die Anzahl der Punkte im Fenster Allgemein auf 15 fest.
- Wechseln Sie zum Fenster Faktoren , und legen Sie 5,5 als Obergrenze und 5 als Untergrenze für A1, A2 und A3 fest.
- Wechseln Sie zum Fenster Design-Matrix , und klicken Sie auf Generieren , um die zufälligen Abtastpunkte zu generieren, die den verschiedenen Einlassgeschwindigkeiten entsprechen. Fahren Sie die Optimierungssoftware herunter.
- Nehmen Sie die Geschwindigkeitskombinationen der Zufallsstichprobenpunkte zurück, um sie zu berechnen, und wiederholen Sie die Schritte 3.5.5-3.7.5, um das entsprechende Temperaturarray zu erhalten, das aus den maximalen Temperaturen der Batterien besteht.
- Kombinieren Sie die Prädiktorvariablen x1, x2 und x3 der Geschwindigkeitskombinationsarrays und y der Temperaturarrays, um eine neue Variablentabelle zu erstellen, wie in Tabelle 3 dargestellt, und speichern Sie sie als sample.txt Datei. Importieren Sie die Datei so, dass sie in ein Antwortflächenmodell passt.
- Führen Sie die Optimierungssoftware erneut aus, und ziehen Sie das Symbol Approximation auf den einzelnen Pfeil von Aufgabe1. Doppelklicken Sie auf das Symbol Task1 , um das Approximationsfenster des Komponenten-Editors zu öffnen und das Antwortflächenmodell auszuwählen.
- Wechseln Sie zum Fenster Datendatei , und importieren Sie die sample.txt Datei, die die Vorhersagevariablen enthält.
- Wechseln Sie zum Fenster Parameter und klicken Sie auf Scan, um die Parameter im Datendateifenster zu öffnen, in dem die Prädiktorvariablen x1, x2 und x3 als Eingabe und y als Ausgabe definiert sind.
- Wechseln Sie zum Fenster Technikoptionen und wählen Sie das Quadratische in polynomialer Reihenfolge aus. Wechseln Sie in das Fenster Optionen für die Fehleranalyse und wählen Sie in der Fehleranalysemethode die Kreuzvalidierung .
- Wechseln Sie zum Fenster Daten anzeigen , und klicken Sie auf Jetzt initialisieren , um die Koeffizienten der quadratischen linearen Regressionsgleichung abzurufen.
- Klicken Sie auf die Schaltfläche Fehleranalyse , um das Fenster für die Approximationsfehleranalyse aufzurufen, in dem Sie überprüfen können, ob die Fehler den akzeptablen Standards für jeden Fehlertyp entsprechen. Schließen Sie das Fenster der Approximationskomponente. Wenn der willkürliche Fehler die entsprechenden akzeptablen Standards nicht erfüllen kann, fügen Sie weitere Stichprobenpunkte hinzu, um an der Modellanpassung teilzunehmen.
5. Adaptives simuliertes Annealing-Algorithmus-basiertes approximatives Anpassungsmodell
HINWEIS: Als nächstes werden Software und Algorithmus verwendet, um den optimalen Wert des Näherungsmodells zu ermitteln
- Ziehen Sie das Symbol Optimierung in Aufgabe1 und doppelklicken Sie darauf, um das Fenster für die Optimierung des Komponenteneditors zu öffnen. Wählen Sie das Adaptive Simulated Annealing (ASA) in der Optimierungstechnik aus.
- Wechseln Sie zum Fenster Variablen , um 5,5 als Obergrenze und 5 als Untergrenze festzulegen.
- Wechseln Sie zum Fenster "Ziele " und wählen Sie den Parameter "Y" aus, bevor Sie das Fenster zur Optimierung des Komponenteneditors schließen.
- Klicken Sie auf die Schaltfläche Optimierung ausführen und warten Sie auf das Optimierungsergebnis.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Dem Protokoll folgend, sind die ersten drei Teile die wichtigsten, zu denen Modellierung, Vernetzung und Simulation gehören, um die maximale Temperatur des Akkupacks zu erhalten. Anschließend wird die Luftströmungsgeschwindigkeit durch Probenahme eingestellt, und schließlich wird durch Optimierung die optimale Durchflussmengenkombination ermittelt.
Abbildung 9 zeigt den Vergleich der Temperaturverteilung des Batteriepacks in verschiedenen Umgebungen, und Abbildung 10 zeigt den Vergleich der Temperaturverteilung der zweiten Batterie in verschiedenen Umgebungen. Wie in Abbildung 9 und Abbildung 10 dargestellt, wird die Temperatur der Batterie im staubigen Zustand aufgrund der geringen Wärmeleitfähigkeit von DPM (Dusty Particulate Matter) auf ein bestimmtes Niveau erhöht.
Um die Temperaturverteilung der Batterie anzupassen, stellen Sie die Luftströmungsgeschwindigkeiten an den Einlässen von 5 m/s bis 6 m/s ein, erhöhen Sie sie um 5 % beim staubigen Modell und erhalten Sie die maximalen Temperaturen bei jeder Luftstromgeschwindigkeit. Wenn die Luftströmungsgeschwindigkeit um 15 % und 20 % erhöht wurde, fiel die maximale Temperatur des Akkupacks im staubigen Zustand unter die maximale Temperatur des Akkupacks im freien Staubzustand, wie in Abbildung 8 dargestellt. Unter Berücksichtigung des Energieverbrauchs wird die maximale Einlassgeschwindigkeit auf 5,5 m/s (erhöht um 10 %) festgelegt, um die maximale Temperatur des Akkus im staubigen Zustand zu senken.
Bei der Festlegung des quadratischen QRSM wird die minimale Anzahl von Stichproben durch (N + 1) x (N + 2)/2 berechnet, wobei N die Anzahl der Testvariablen ist. In diesem Artikel gibt es drei Designvariablen, nämlich die Einlassgeschwindigkeiten und die Mindestanzahl von Stichproben von 10. Um ein Antwortflächenmodell mit hoher Anpassungsgenauigkeit zu erstellen, wurden 15 Proben mit der DOE-Komponente der Optimierungssoftwareplattform ausgewählt. Die Methode der kleinsten Quadrate wird verwendet, um die Anpassung der Ansprechfläche zwischen der von der Simulationssoftware ermittelten maximalen Temperatur des Batteriepacks und drei Einlassgeschwindigkeiten zu vervollständigen. Das approximierte Antwortflächenmodell wird wie folgt erstellt:
R2 misst die Gesamtanpassung der Regressionsgleichung und drückt die Gesamtbeziehung zwischen der abhängigen Variablen und allen unabhängigen Variablen aus. R2 ist gleich dem Verhältnis der Regressionssumme der Quadrate zur Gesamtsumme der Quadrate, d. h. dem Prozentsatz der Variabilität der abhängigen Variablen, den die Regressionsgleichung erklären kann. Je näher der Wert von R2 an 1 liegt, desto besser ist die Anpassung der Regressionskurve an den beobachteten Wert.
Die Fehleranalyse der Berechnungsergebnisse zeigt, dass R2 0,93127 beträgt, wie in Abbildung 11 dargestellt, was zeigt, dass das polynomiale Antwortflächenapproximationsmodell zweiter Ordnung eine gute Anpassungsgenauigkeit aufweist.
Am Ende wird adaptives simuliertes Glühen (ASA) als Optimierungsmethode verwendet, um optimale Kombinationen von Eintrittsströmungsgeschwindigkeiten zu finden. Die maximale Anzahl der generierten Versuchspläne beträgt 10.000, die Anzahl der Versuchspläne für die Konvergenzprüfung beträgt 5 und das Konvergenzepsilon beträgt 1,0 x 10-8. Die relative Rate von Parameter-Annealing, Cost-Annealing, Parameter-Quenching und Cost-Quenching hatte den gleichen Wert von 1.
Die maximale Temperatur des Akkupacks, die durch Optimierung erreicht wurde, betrug 309,391420 K. Die Luftströmungsgeschwindigkeiten der Einlässe betragen 5,5 m/s, 5 m/s und 5,5 m/s. Um die Genauigkeit zu bestätigen, wurde der optimale Fall von der Simulationssoftware analysiert. Tabelle 4 zeigt den Vergleich zwischen den Ergebnissen der Optimierung und der Simulationsverifikation. Es ist ersichtlich, dass der Fehler der maximalen Temperatur des Batteriepacks unter drei Bedingungen für die Einlassluftströmung innerhalb von 0,001 % liegt, was darauf hindeutet, dass die in dieser Arbeit angewandte Optimierungsmethode effektiv und durchführbar ist.
Der Vergleich der Temperaturverteilung der zweiten Batterie unter den verschiedenen Strömungsgeschwindigkeiten der Einlassluft ist in Abbildung 12 dargestellt, und der Vergleich der Temperaturverteilung des Batteriepacks vor und nach der Optimierung ist in Abbildung 13 dargestellt. Tabelle 5 zeigt die spezifischen Werte der Maximaltemperaturen und die Kombinationen der Luftströmungsgeschwindigkeiten. Wenn die Luftströmungsgeschwindigkeiten der Einlässe 1-3 5,5 m/s, 5,5 m/s bzw. 5,5 m/s betragen, beträgt die maximale Temperatur des Akkupacks 309,426208 K. Nach der Optimierung beträgt die Luftströmungsgeschwindigkeit der Einlässe 1-3 5,5 m/s, 5 m/s und 5,5 m/s, und die maximale Temperatur des Akkupacks beträgt 309,392853 K. Es ist zu beachten, dass die Summe der Luftströmungsgeschwindigkeiten des optimierten Gehäuses, das in 12B gezeigt ist, kleiner ist als die Summe der Luftströmungsgeschwindigkeiten des in 12A gezeigten Gehäuses. Die maximale Temperatur steigt jedoch nicht mit abnehmender Luftströmungsgeschwindigkeit an. Außerdem wird der optimierte Akku mit dem ursprünglichen Akkupack verglichen (d. h. die Luftströmungsgeschwindigkeiten der drei Einlässe betragen alle 5 m/s, und die Batterien sind mit DPM bedeckt). Abbildung 14 vergleicht die Fließlinienverteilung vor und nach der Optimierung, und es ist zu erkennen, dass die Fließlinienverteilung nach der Optimierung breiter ist. Abbildung 15 vergleicht die Auswirkungen der einzelnen Faktoren auf die Temperatur. Der Faktor x1 hat den größten Einfluss auf die Temperatur. Die Faktoren x1 und x3 haben ähnliche Auswirkungen auf die Temperatur. Kurz gesagt, die Gesamtgeschwindigkeit des Luftstroms sinkt um 3 % und die maximale Temperatur des Akkupacks sinkt auf die erwartete Temperatur (d. h. die maximale Temperatur des Akkupacks im staubfreien Zustand).
Die Optimierungsmethode kann breit eingesetzt werden, um die Lebensdauer des Batteriepacks bei geringem Energieverbrauch zu verbessern.
Abbildung 1: Die technische Roadmap. Diese Abbildung beschreibt den detaillierten Simulations- und Optimierungsprozess entsprechend den Forschungsinhalten, einschließlich Forschungsobjekten, Methoden, Lösungen, Modellierungs-, Simulations- und Optimierungssoftware. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 2: Ein 3D-Modell eines Lithium-Ionen-Akkus in einer staubigen Umgebung. Das 3D-Modell des LIB-Pakets, das als X_T Datei gespeichert und zur Simulation in die Simulationssoftware importiert werden kann, wird von einer Modellierungssoftware gezeichnet. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 3: Gitterdiagramm. (A) Diese Abbildung zeigt das Gitter des Luftbereichs. (B) Diese Abbildung zeigt das Gitter der Batteriedomäne. (C) Diese Abbildung zeigt das Raster der dpm-Domäne. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 4: Netzunabhängigkeitstest. Die X-Achse ist die unterschiedliche Gesamtzahl der Gitter im Netzmodell, und die Y-Achse ist die Temperatur. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 5: Test eines viskosen Modells. Die X-Achse ist der Typ des viskosen Modells, die Zahl 1 steht für das Standard-k-Epsilon-Modell, die Zahl 2 für das RNG-k-Epsilon-Modell, die Zahl 3 für das realisierbare k-Epsilon-Modell, die Zahl 4 für das Spalart-Allmaras-Modell, die Y-Achse für die Temperatur. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 6: 3D-Modell eines Lithium-Ionen-Akkus in einer staubfreien Umgebung. Das 3D-Modell des LIB-Pakets, das als X_T Datei gespeichert und zur Simulation in die Simulationssoftware importiert werden kann, wird von einer Modellierungssoftware gezeichnet. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 7: Parameter-Sensitivitätsanalyse. Die Zahl auf der x-Achse stellt die n-te Kombination der Einlassluftströmungsgeschwindigkeiten dar. Zum Beispiel stellt die Zahl 5 die Geschwindigkeitskombination (3,5,7) dar, die 3 m/s am Einlass1, 5 m/s am Einlass2, 7 m/s am Einlass3 entspricht. In ähnlicher Weise stellt die Zahl 1,2,3,4,6 die unterschiedliche Kombination der Einlassluftströmungsgeschwindigkeiten von (5,5,5), (4,5,6), (5,6,4), (5,4,6), (3,5,7), (5,3,7), (5,7,3) bzw. (5,7,3) dar. Die Y-Achse ist die Temperatur. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 8: Temperaturschwankungen des Batteriepacks bei unterschiedlichen Strömungsgeschwindigkeiten in der Einlassluft. Die Abbildung zeigt, dass die maximale Temperatur des Batteriepacks mit zunehmender Geschwindigkeit des Lufteinlasses abnimmt. Die x-Achse ist die Geschwindigkeit des Luftstroms an den Einlässen. Die Y-Achse ist die Temperatur. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 9: Vergleich der Temperaturverteilung des Akkupacks in verschiedenen Umgebungen. (A) Diese Abbildung zeigt die Temperaturverteilung des Akkupacks in einer staubfreien Umgebung. (B) Diese Abbildung zeigt die Temperaturverteilung des Akkupacks in einer staubigen Umgebung, aus der die Temperatur in der Batterie Nummer 2 am höchsten ist. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 10: Vergleich der Temperaturverteilung der Batterie Nummer 2 in verschiedenen Umgebungen. (A) Diese Abbildung zeigt die Temperaturverteilung der Batterie Nummer 2 in einer staubfreien Umgebung. (B) Diese Abbildung zeigt die Temperaturverteilung der Batterie Nummer 2 in einer staubigen Umgebung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 11: Fehleranalyse des Approximationsantwort-Oberflächenmodells. Die Abbildung zeigt, dass das quadratische polynomiale Antwortflächenapproximationsmodell eine gute Anpassungsgenauigkeit aufweist. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 12: Vergleich der Temperaturverteilung der Batterie Nummer 2 unter verschiedenen Strömungsgeschwindigkeiten der Einlassluft. (A) Diese Abbildung zeigt die Temperaturverteilung der Batterie Nummer 2 durch einfaches Erhöhen der Einlassluftströmungsgeschwindigkeit selbst. (B) Diese Abbildung zeigt die Temperaturverteilung der Batterie Nummer 2 nach Optimierung der Einlassluftströmungsgeschwindigkeit. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 13: Vergleich der Temperaturverteilung des Akkupacks vor und nach der Optimierung. (A) Diese Abbildung zeigt die Temperaturverteilung des Akkupacks in einer staubigen Umgebung ohne Optimierung. (B) Diese Abbildung zeigt die Temperaturverteilung des Akkupacks in einer staubigen Umgebung nach der Optimierung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 14: Vergleich der Stromlinienverteilung des Batteriepacks vor und nach der Optimierung. (A) Diese Abbildung zeigt die stromlinienförmige Verteilung des Batteriepacks in einer staubigen Umgebung ohne Optimierung. (B) Diese Abbildung zeigt die stromlinienförmige Verteilung des Akkupacks in einer staubigen Umgebung nach der Optimierung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 15: Einfluß von drei Faktoren auf die Temperatur. (A) Diese Abbildung zeigt die Auswirkungen von x1 und x2 auf die Temperatur. (B) Diese Abbildung zeigt die Auswirkungen von x1 und x3 auf die Temperatur. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
| Name des Mediums | ρ/kg·m-3 | C/J· (kg· K)-1 | K/W (m·K)-1 |
| Luft Material | 1.225 | 1006.43 | 0.0242 |
| Batterie Material | 1958.7 | 733 | kx=3,6,ky=kz=10,8 |
| dpm-Material | 2870 | 910 | 1.75 |
| Batteriekasten Material | 7930 | 500 | 16.3 |
Tabelle 1: Materialeigenschaften. Die Materialeigenschaften, die der Luft, der Batterie, dem staubigen Feinstaub und dem Batteriekasten entsprechen, werden in den Parametereinstellungen der Simulationssoftware verwendet.
| Zahl | Einlass 1 (m/s) | Einlass 2 (m/s) | Einlass3(m/s) | Maximale Temperatur des Akkus (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 |
Tabelle 2: Parameter-Sensitivitätsanalyse. Die Tabelle zeigt die sieben Kombinationen der Einlassluftströmungsgeschwindigkeiten und die entsprechende Maximaltemperatur des Batteriepacks. Zum Beispiel stellt die Zahl 5 die Geschwindigkeitskombination (3,5,7) dar, die 3 m/s am Einlass1, 5 m/s am Einlass2, 7 m/s am Einlass3 und der entsprechenden maximalen Temperatur des Batteriepacks von 311,54599 K entspricht.
| Zahl | Einlass 1 (m/s) | Einlass 2 (m/s) | Einlass3(m/s) | Maximale Temperatur des Akkus (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 |
Tabelle 3: Geschwindigkeits- und Temperaturarrays, die für das quadratische Antwortoberflächenmodell verwendet werden. Die verschiedenen Kombinationen der Luftströmungsgeschwindigkeiten an den Einlässen können vom OLHA zufällig generiert werden, und die entsprechenden Maximaltemperaturen werden von der Simulationssoftware berechnet.
| Name | Einlass 1 (m/s) | Einlass 2 (m/s) | Einlass3(m/s) | Maximale Temperatur des Akkus (K) |
| Ergebnis der Optimierung | 5.5 | 5 | 5.5 | 309.39142 |
| Ergebnis der Simulationsverifizierung | 5.5 | 5 | 5.5 | 309.392853 |
Tabelle 4: Vergleich zwischen den Ergebnissen der Optimierungs- und Simulationsverifikation. Durch Optimierung kann die geeignete Kombination der Luftströmungsgeschwindigkeit an den Einlässen und der entsprechenden Temperatur ermittelt werden, was sich auch durch den Simulationsnachweis als genau erweist.
| Name | Einlass 1 (m/s) | Einlass 2 (m/s) | Einlass3(m/s) | Maximale Temperatur des Akkus (K) |
| Ein | 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 |
Tabelle 5: Vergleiche der Luftströmungsgeschwindigkeit und der maximalen Temperatur des Batteriepacks unter verschiedenen Bedingungen. (A) Der Akkupack unter den normalen Einlässen, der Luftströmungsgeschwindigkeit und der Umgebung mit freiem Staub. (B) Der Akkupack unter normaler Lufteinlassgeschwindigkeit und staubiger Umgebung. (C) Der Batteriepack unter den Einlässen Luftströmungsgeschwindigkeiten erhöht sich und staubige Umgebung. (D) Der Akku unter optimierten Luftströmungsgeschwindigkeiten und staubiger Umgebung.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Das in dieser Studie verwendete BTMS wurde aufgrund seiner geringen Kosten und seiner einfachen Struktur auf der Grundlage des Luftkühlsystems entwickelt. Aufgrund der geringen Wärmeübertragungskapazität ist die Leistung des Luftkühlsystems geringer als die des Flüssigkeitskühlsystems und des Phasenwechselmaterialkühlsystems. Das Flüssigkeitskühlsystem hat jedoch den Nachteil des Kältemittelaustritts, und das Phasenwechsel-Materialkühlsystem weist eine hohe Masse und eine geringe Energiedichte29 auf. Diese Kühlsysteme haben ihre Vor- und Nachteile. Daher kann das BTMS durch die Kombination eines Luftkühlsystems mit einem Flüssigkeitskühlsystem oder einem Phasenwechsel-Materialkühlsystem eingerichtet werden, um die Kühlleistung zu fördern.
Ein CFD-Solver wurde implementiert, um das Strömungs- und Temperaturprofil des Modells zu simulieren. Die zugrundeliegenden Gleichungen30, wie z.B. die Kontinuität (2) und die Energieerhaltungsgleichung (3), wurden verwendet, um das zeitabhängige thermische Problem der Luftströmung zu lösen.
wobei p, k und c die Eigenschaften der verwendeten Luft sind, nämlich Dichte, Wärmeleitfähigkeit bzw. spezifische Wärme; T und 
sind der statische Druck, die Temperatur und die Geschwindigkeit der Kühlluft.
Impulsgleichungen31
Dabei sind u i und uj Reynolds-gemittelte Geschwindigkeitskomponenten; xi und xj sind kartesische Koordinaten; P ist der Reynolds-gemittelte Druck; μ ist die dynamische Viskosität; μt ist die turbulente dynamische Viskosität. k die turbulente kinetische Energie ist; ε ist die turbulente kinetische Energiedissipationsrate.
Die Reynolds-Zahl, basierend auf der Einlassströmungsgeschwindigkeit (v=5 m/s) und dem äquivalenten Durchmesser, wurde auf 0,0242308 geschätzt; die Reynolds-Zahl wird als 9894 berechnet, wobei ein Turbulenzmodell des Standard-k-e-Modells gewählt wurde.
Reynolds-Zahl-Gleichung32
Dabei ist Pl die Dichte, Vmax die maximale Strömungsgeschwindigkeit der Flüssigkeit, D der äquivalente Durchmesser des Behälters und ul die dynamische Viskosität der Flüssigkeit.
Turbulente kinetische Energiegleichung33
Dabei ist kt und ε die turbulente kinetische Energie bzw. die Turbulenzdissipationsrate; uj ist die j-te Komponente des Geschwindigkeitsvektors, und μ und ut sind die molekulare bzw. turbulente dynamische Viskosität; Gkt und Gb sind die turbulente kinetische Energieerzeugung, die durch die mittlere Geschwindigkeit verursacht wird, bzw. die turbulente kinetische Energieerzeugung als Folge von Auftriebseffekten; Y, M stellt den Einfluss der fluktuierenden Dilatation inkompressibel turbulent auf die Summe der Dissipationsraten dar; Skt ist der Quellterm von kt; αkt ist die inverse effektive Prandtl-Zahl für kt.
Turbulente kinetische Energiedissipation Gleichung33
wobei Sε der Quellterm von ε ist; αt ist die umgekehrte effektive Prandtl-Zahl für ε; C1ε , C2ε und C3ε sind empirische Konstanten.
Für die Batteriezellen gilt die Energieerhaltungsgleichung34
Dabei sind Q, kb, cb; und Pb stellen die erzeugte Wärme, die Wärmeleitfähigkeit, die spezifische Wärmekapazität bzw. die Dichte der Batterie dar.
Wärmekonvektionsformel35
wobei hf für den Konvektionswärmeübergangskoeffizienten steht; Ts stellt die Oberflächentemperatur von LIBs dar; TB stellt die Temperatur der Umgebungsluft dar; und q* steht für Konvektionswärmeübertragungsrate.
Der Einlass des BTMS wurde auf eine Geschwindigkeits-Einlass-Randbedingung von 5 m/s und eine Temperatur von 300 K eingestellt, während der Systemauslass auf Druckausgang konditioniert wurde, wobei der Umgebungsdruck auf Atmosphärendruck eingestellt war. Die Wände um das System herum sind auf natürliche Konvektion ausgelegt.
Diese Arbeit begann die Forschung unter der Bedingung, dass die Struktur des Batteriepackmodells bestimmt wurde, Staub, der die Oberfläche der Batterie bedeckt, die Temperatur der Batterie ansteigen lässt. Dann stellen wir das ASAM vor, um ein ungefähres QRSM zu optimieren und die Temperaturabfälle durch die optimale Kombination von Luftströmungsgeschwindigkeiten von Systemeinlässen zur Lösung des Problems des DPM-Effekts zu erfüllen. Zu erwähnen ist, dass auch die Positionen des Lufteinlasses und -auslasses des Akkupacks einen großen Einfluss auf die Temperatur des BTMS14 haben.
Es gibt einige kritische Schritte im Protokoll. Geben Sie bei der Erstellung des 3D-Modells des Akkupacks jedem Körper und jeder Oberfläche im Modell einen erkennbaren Namen für das nachfolgende Materialzugabematerial, die Erstellung der Netzschnittstelle und das Festlegen von Randbedingungen. Bei der Bedienung der Simulationssoftware ist es notwendig, jeden Parameter genau einzustellen, insbesondere die Einheit des Parameters.
In Bezug auf das Anpassungsmodell ist die Fehleranalyse bei der Modellierung der Antwortfläche von Bedeutung. Wenn der beliebige Fehler die entsprechenden akzeptablen Standards nicht erfüllen konnte, sollten weitere Abtastpunkte hinzugefügt werden, um an der Modellanpassung teilzunehmen, bis der Fehler die akzeptablen Standards erreicht. Nachdem die Simulationssoftware das Gittermodell importiert hat, führen Sie eine Fehlerbehebung für das Netzmodell durch, und klicken Sie auf Überprüfen , um zu überprüfen, ob das Netz ein negatives Volumen aufweist. Wenn es ein Problem mit dem geteilten Raster oder den Modelleinstellungen gibt, wird eine Fehlermeldung angezeigt.
Die Haupteinschränkung dieser Studie besteht darin, dass das in der Simulation verwendete geometrische Modell durch Vereinfachung des realistischen Batteriepackmodells abgeleitet wird, so dass es fast unmöglich ist, die Realität vollständig abzubilden. Dann ist es unwahrscheinlich, dass die auferlegten Randbedingungen mit der tatsächlichen Situation übereinstimmen. Die Berechnungsergebnisse unterscheiden sich auch nach verschiedenen Berechnungstheorien. Um die Simulation zu erleichtern, haben wir das Wärmeerzeugungsmodell der Batterie vereinfacht, die durchschnittliche Wärmeerzeugungsrate der Batterie beträgt 20,993 kW/m3 als interne Wärmequelle36,37.
Die Bedeutung für bestehende Methoden und zukünftige Anwendungen der Technik:
Dieses Protokoll wird dazu beitragen, eine Optimierungsmethode zu etablieren und gleichzeitig den Energieverbrauch und die thermische Leistung des Batteriemanagementsystems zu berücksichtigen, und es kann in großem Umfang verwendet werden, um den Lebenszyklus des Batteriepacks bei minimalen Betriebskosten zu verbessern. Diese Technik kann auch im mechanischen Design, im architektonischen Design und in anderen Bereichen eingesetzt werden.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Die Autoren haben nichts zu verraten.
Acknowledgments
Einige Analyse- und Optimierungssoftware wird von der Tsinghua University, der Konkuk University, der Chonnam National University, der Mokpo University und der Chiba University unterstützt.
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).
