Summary
Aquí, presentamos el método de recocido simulado adaptativo (ASAM) para optimizar un modelo de superficie de respuesta cuadrática aproximada (QRSM) correspondiente a un sistema de gestión del calor de la batería cubierto de partículas polvorientas y cumplir con las caídas de temperatura ajustando la combinación de velocidades de flujo de aire de las entradas del sistema.
Abstract
Este estudio tiene como objetivo resolver el problema del aumento de la temperatura de la celda y la disminución del rendimiento causado por las partículas polvorientas que cubren la superficie de la celda a través de la asignación de velocidades de flujo de aire en las entradas de la caja de enfriamiento de la batería bajo el objetivo de un bajo consumo de energía. Tomamos la temperatura máxima del paquete de baterías a una velocidad de flujo de aire especificada y un entorno libre de polvo como la temperatura esperada en un entorno polvoriento. La temperatura máxima del paquete de baterías en un entorno polvoriento se resuelve a diferentes velocidades de flujo de aire de entrada, que son las condiciones de contorno del modelo de análisis construido en el software de simulación. Las matrices que representan las diferentes combinaciones de velocidades de flujo de aire de las entradas se generan aleatoriamente a través del algoritmo de hipercubo latino óptimo (OLHA), donde los límites inferior y superior de las velocidades correspondientes a las temperaturas por encima de la temperatura deseada se establecen en el software de optimización. Establecemos un QRSM aproximado entre la combinación de velocidades y la temperatura máxima utilizando el módulo de ajuste del software de optimización. El QRSM está optimizado en base al ASAM, y el resultado óptimo está en buena concordancia con el resultado del análisis obtenido por el software de simulación. Después de la optimización, el caudal de la entrada central cambia de 5,5 m/s a 5 m/s, y la velocidad total del flujo de aire se reduce en un 3%. El protocolo aquí presenta un método de optimización que considera simultáneamente el consumo de energía y el rendimiento térmico del sistema de gestión de baterías que se ha establecido, y puede ser ampliamente utilizado para mejorar el ciclo de vida del paquete de baterías con un costo operativo mínimo.
Introduction
Con el rápido desarrollo de la industria del automóvil, los vehículos de combustible tradicionales consumen una gran cantidad de recursos no renovables, lo que resulta en una grave contaminación ambiental y escasez de energía. Una de las soluciones más prometedoras es el desarrollo de vehículos eléctricos (VE)1,2.
Las baterías de energía utilizadas para los vehículos eléctricos pueden almacenar energía electroquímica, que es la clave para reemplazar los vehículos de combustible tradicionales. Las baterías de potencia utilizadas en los vehículos eléctricos incluyen la batería de iones de litio (LIB), la batería de níquel-hidruro metálico (NiMH) y el condensador eléctrico de doble capa (EDLC)3. En comparación con las otras baterías, las baterías de iones de litio se utilizan actualmente ampliamente como unidades de almacenamiento de energía en vehículos eléctricos debido a sus ventajas, como la alta densidad de energía, la alta eficiencia y el largo ciclo de vida 4,5,6,7.
Sin embargo, debido al calor de la reacción química y al calor Joule, es fácil acumular una gran cantidad de calor y aumentar la temperatura de la batería durante la carga rápida y la descarga de alta intensidad. La temperatura ideal de funcionamiento de LIB es de 20-40 °C 8,9. La diferencia máxima de temperatura entre las baterías de una cadena de baterías no debe superar los 5 °C10,11. De lo contrario, puede conllevar una serie de riesgos como el desequilibrio de temperatura entre las baterías, el envejecimiento acelerado, incluso el sobrecalentamiento, el incendio, la explosión, etc.12. Por lo tanto, el problema crítico a resolver es diseñar y optimizar un sistema eficiente de gestión térmica de la batería (BTMS) que pueda controlar la temperatura y la diferencia de temperatura del paquete de baterías dentro de un estrecho.
Los BTMS típicos incluyen enfriamiento por aire, enfriamiento por agua y enfriamiento de material de cambio de fase13. Entre estos métodos de enfriamiento, el tipo de enfriamiento por aire es ampliamente utilizado debido a su bajo costo y simplicidad de la estructura14. Debido a la limitada capacidad calorífica específica del aire, es fácil que se produzcan altas temperaturas y grandes diferencias de temperatura entre las celdas de la batería en los sistemas refrigerados por aire. Con el fin de mejorar el rendimiento de enfriamiento de los BTMS refrigerados por aire, es necesario diseñar un sistema eficiente 15,16,17. Qian et al.18 recopilaron la temperatura máxima del paquete de baterías y la diferencia de temperatura para entrenar el modelo de red neuronal bayesiana correspondiente, que se utiliza para optimizar los espaciamientos de celdas del paquete de baterías refrigeradas por aire de la serie. Chen et al.19 reportaron el uso del método de Newton y el modelo de red de resistencia al flujo para la optimización de los anchos de la cámara de divergencia de entrada y la cámara de convergencia de salida en el sistema paralelo de enfriamiento por aire tipo Z. Los resultados mostraron una reducción del 45% en la diferencia de temperatura del sistema. Liu et al.20 muestrearon cinco grupos de conductos de enfriamiento en el J-BTMS y obtuvieron la mejor combinación de espaciamientos de celdas mediante el algoritmo de optimización basado en sustitutos de conjuntos. Baveja et al.21 modelaron un módulo de batería pasivamente balanceado, y el estudio describió los efectos de la predicción térmica en el balanceo pasivo a nivel de módulo y viceversa. Singh et al.22 investigaron un sistema de gestión térmica de baterías (BTMS) que utilizaba material encapsulado de cambio de fase junto con refrigeración por aire convectivo forzado diseñado utilizando el modelado electroquímico-térmico acoplado. Fan et al.23 propusieron una placa de refrigeración líquida que comprende una configuración de válvula Tesla de varias etapas para proporcionar un rango de temperatura más seguro para una batería de iones de litio de tipo prismático con alto reconocimiento en aplicaciones microfluídicas. Feng et al. 24 utilizaron el método del coeficiente de variación para evaluar los esquemas con diferentes caudales de entrada y holguras de batería. Talele et al.25 introdujeron el aislamiento térmico de pirolinero mejorado con paredes para almacenar el potencial de calor generado en función de la colocación óptima de las películas calefactoras.
Cuando se utiliza BTMS de refrigeración por aire, el soplador introducirá partículas de polvo metálico, partículas de polvo mineral, partículas de polvo de materiales de construcción y otras partículas en el entorno externo, lo que puede hacer que la superficie de las baterías se cubra con DPM. Si no hay un plan de disipación de calor, puede causar accidentes debido a la temperatura excesivamente alta de la batería. Después de la simulación, tomamos la temperatura máxima del paquete de baterías en una velocidad de flujo de aire especificada y un entorno libre de polvo como la temperatura esperada en un entorno polvoriento. En primer lugar, la tasa C se refiere al valor de corriente requerido cuando la batería libera su capacidad nominal dentro del tiempo especificado, que es igual a un múltiplo de la capacidad nominal de la batería en el valor de datos. En este artículo, la simulación utiliza una descarga de velocidad de 2C. La capacidad nominal es de 10 Ah y el voltaje nominal es de 3.2 V. El fosfato de hierro y litio (LiFePO4) se usa como material de electrodo positivo y el carbono se usa como material de electrodo negativo. El electrolito tiene sal de litio electrolítica, un solvente orgánico de alta pureza, los aditivos necesarios y otras materias primas. La matriz aleatoria que representa las diferentes combinaciones de velocidades en las entradas se determinó a través del OLHA, y se estableció una función de 2º orden entre la temperatura máxima del paquete de baterías y la combinación de velocidades de flujo de entrada con la condición de verificar la precisión del ajuste de la curva. Los diseños de hipercubos latinos (LH) se han aplicado en muchos experimentos informáticos desde que fueron propuestos por McKay et al.26. Una LH viene dada por una matriz N x p L, donde cada columna de L consiste en una permutación de los enteros 1 a N. En este trabajo, se utiliza el método óptimo de muestreo de hipercubos latinos para reducir la carga computacional. El método utiliza un muestreo estratificado para garantizar que los puntos de muestreo puedan cubrir todos los componentes internos del muestreo.
En el siguiente paso, la combinación de velocidad de flujo de entrada se optimizó para disminuir la temperatura máxima del paquete de baterías en un entorno polvoriento basado en el ASAM bajo la condición de considerar el consumo de energía simultáneamente. El algoritmo de recocido simulado adaptativo ha sido ampliamente desarrollado y ampliamente utilizado en muchos problemas de optimización27,28. Este algoritmo puede evitar quedar atrapado en un óptimo local aceptando la peor solución con cierta probabilidad. El óptimo global se logra definiendo la probabilidad de aceptación y la temperatura; La velocidad de cálculo también se puede ajustar utilizando estos dos parámetros. Finalmente, para verificar la precisión de la optimización, se comparó el resultado óptimo con el resultado del análisis obtenido del software de simulación.
En este artículo, se propone un método de optimización para el caudal de entrada de la caja de baterías para el paquete de baterías cuya temperatura aumenta debido a la cubierta antipolvo. El objetivo es reducir la temperatura máxima del paquete de baterías cubierto de polvo por debajo de la temperatura máxima del paquete de baterías sin polvo en caso de bajo consumo de energía.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
NOTA: La hoja de ruta de la tecnología de investigación se muestra en la Figura 1, donde se utiliza el software de modelado, simulación y optimización. Los materiales necesarios se muestran en la Tabla de Materiales.
1. Creación del modelo 3D
NOTA: Utilizamos Solidworks para crear el modelo 3D.
- Dibuje un rectángulo de 252 mm x 175 mm, haga clic en Extruir saliente/base e introduzca 73. Cree un nuevo plano a 4 mm de la superficie exterior.
- Dibuje un rectángulo de 131 mm x 16 mm y haga clic en Patrón de boceto lineal. Introduzca 22 y 6 en el espaciado y el número de instancias, respectivamente. Seleccione los cuatro lados del rectángulo y haga clic en Aceptar. Introduzca 180 en ángulo y vuelva a ejecutarlo. Este paso es para la simetría en el centro del modelo.
- Haga clic en Extruir corte, escriba 65 y haga clic en Aceptar. Haga clic en Extruir saliente/base e introduzca 65, desmarque Resultado de fusión y haga clic en Invertir dirección y Aceptar.
NOTA: Cuando el resultado de la combinación no está marcado, la entidad extendida se convierte en una entidad independiente. Hay 23 piezas en total, incluidas 11 baterías, 11 partículas polvorientas y 1 dominio aéreo. - Dibuja un rectángulo de 16 mm x 1 mm. Repita los pasos 1.2 y 1.3.
- Dibuja un rectángulo de 63 mm x 15 mm, haz clic en el borde superior del rectángulo y en Patrón de boceto lineal. Escriba 21, 3 y 270 y haga clic en Aceptar. Haga clic en Dividir línea y en la cara del cubo, haga clic en Aceptar.
- Dibuja un rectángulo de 63 mm x 15 mm. Haga clic en Dividir línea y en la cara del cubo, haga clic en Aceptar.
- Haga clic en Archivo y guárdelo como un archivo X_T.
NOTA: El tamaño especificado:caja L: 73 mm; Caja W: 252 mm; Caja H: 175 mm; Lb, Ld: 65 mm; Wb, Wd: 10 mm; Hb: 131 mm; Hd: 1 mm; Li: 63 mm; Anchoi: 15 mm; d1, d2:5 mm, d3:6 mm se muestra en la Figura 2. - Arrastre el componente de malla haciendo clic en Caja de herramientas > Sistemas de componentes > Malla a la zona de esquema del proyecto. Importe el archivo X_T guardado anteriormente haciendo clic en Geometría.
- Ingrese a la ventana del modelador de diseño de malla y el modelo de paquete de baterías, que incluye 23 piezas como cuerpos independientes, se mostrará nuevamente haciendo clic en Generar.
- Seleccione las 23 partes de la batería para que sean una nueva pieza denominada como parte de la batería, todas las partículas polvorientas de 23 partes como parte de polvo y la cavidad de aire como parte de aire, en el contorno del árbol para la conveniencia de ocultar y nombrar objetos posteriores.
- Primero, haga clic con el botón derecho en BatteryPart y DustPart y seleccione Ocultar parte para que la ventana emergente solo muestre la parte de aire.
- Mueva el ratón a la barra de herramientas de selección para seleccionar Filtro de selección: Cuerpos, haga clic con el botón derecho en el modelo de cavidad de aire en la zona de gráficos para seleccionar Selección con nombre y cambie el nombre del modelo de cavidad de aire en la zona de vista de detalles a dominio de aire.
- Cambiar a filtro de selección: Caras, haga clic con el botón derecho y cambie el nombre de la superficie que se ha dividido en tres partes, de abajo hacia arriba, como entrada1, entrada2 y entrada3, la superficie separada a la derecha de estas tres caras se denomina salida, la superficie exterior restante se denomina outerBorder, respectivamente.
- Cambie el modo de selección a la selección de caja, haga clic en el eje Y para obtener la vista adecuada del modelo de cavidad de aire para la conveniencia de seleccionar cajas, cambie el nombre y numere todas las superficies internas como superficie de cavidad1 a superficie de cavidad11 usando la selección de caja.
- Para mostrar solo batteryPart, haga clic con el botón derecho en airPart y seleccione Ocultar parte. Haga clic con el botón derecho en batteryPart y seleccione Mostrar parte en el menú contextual emergente.
- Mueva el ratón a la barra de herramientas de selección para seleccionar Filtro de selección: Cuerpos, cambie el modo de selección a Selección única, haga clic con el botón derecho en Cada modelo de batería en la zona de gráficos para seleccionar la selección con nombre, cambie el nombre y numere los 11 modelos de batería en la zona de vista de detalles como batteryDomain1 a batteryDomain11, respectivamente.
- Además, cada modelo de batería tiene seis lados, luego cambie a Filtro de selección: Caras, haga clic con el botón derecho en cada lado de los dominios de batería numerados para seleccionar Selección con nombre y cambiarles el nombre de acuerdo con la orientación del lado de la batería. Por ejemplo, cambie el nombre de seis lados de batteryDomain1 numerados como batteryDomain1_Upper, batteryDomain1_Lower, batteryDomain1_Left, batteryDomain1_Right, batteryDomain1_Front y batteryDomain1_Back.
- Para mostrar solo la parte de polvo, haga clic con el botón derecho en batteryPart y seleccione Ocultar parte. Haga clic con el botón derecho en dustPart y seleccione Mostrar parte en el menú contextual emergente.
- Mueva el ratón a la barra de herramientas de selección para seleccionar el Filtro de selección: Cuerpos, haga clic con el botón derecho en cada modelo de partículas polvorientas de la zona Gráficos para seleccionar Selección con nombre, cambie el nombre y numere los 11 modelos de partículas polvorientas de la zona de vista de detalles como dpmDomain1 a dpmDomain11, respectivamente.
- Además, cada modelo de material particulado polvoriento tiene seis lados; luego cambie al Filtro de selección: Caras, haga clic con el botón derecho en Cada lado de los dominios dpm numerados para seleccionar Selección con nombre y cámbieles el nombre de acuerdo con la orientación del lado de partículas polvorientas. Por ejemplo, cambie el nombre de seis lados de dpmDomain1 numerado como dpmDomain1_Upper, dpmDomain1_Lower, dpmDomain1_Left, dpmDomain1_Right, dpmDomain1_Front y dpmDomain1_Back.
- Mostrar todos los cuerpos y volver a la ventana inicial de nuevo.
2. Generar el modelo de malla
NOTA: El mallado de elementos finitos es un paso muy importante en el análisis de simulación numérica de elementos finitos, que afecta directamente la precisión de los resultados del análisis numérico posterior. A continuación, se mallan las entidades a las que se les ha cambiado el nombre.
- Para mallar el dominio aéreo, el dominio de batería y el dominio dpm de forma independiente, arrastre dos componentes de malla de nuevo desde Toolbox > Component Systems > Mesh a la zona esquemática del proyecto y cámbieles el nombre a airFEM, batteryFEM y dpmFEM, respectivamente. Mantenga presionado el airFEM > Geometry con el botón izquierdo del mouse y arrástrelo a la batería > Geometry.
- A continuación, mantenga presionada la geometría de la > batteryFEM con el botón izquierdo del ratón y arrástrela a la geometría > dpmFEM. Haga clic con el botón derecho en las líneas entre los tres componentes de malla y seleccione Eliminar para desasociarlos entre sí.
- Haga doble clic en la malla de airFEM, ingrese a la ventana de mallado, haga clic con el botón derecho en batteryPart y dustPart para seleccionar Suprimir cuerpo y cambie la preferencia física de mecánica a CFD. Genere el modelo de dominio aéreo FEM a través del tamaño de la cara de 2 mm y el tamaño del cuerpo de 4 mm haciendo clic en Actualizar y vuelva a la ventana inicial.
- Haga doble clic en la malla de batteryFEM, ingrese a la ventana de mallado, haga clic con el botón derecho en airPart y dustPart para seleccionar Suprimir cuerpo y cambie la preferencia física de Mecánico a CFD. Genere el modelo de dominio de la batería FEM a través del tamaño del cuerpo de 2 mm haciendo clic en Actualizar y vuelva a la ventana inicial.
- Haga doble clic en la malla de dpmFEM, ingrese a la ventana de mallado, haga clic con el botón derecho en airPart y batteryPart para seleccionar Suprimir cuerpo y cambie la preferencia física de Mecánico a CFD. Genere el modelo de dominio FEM dpm a través de un tamaño de cuerpo de 2 mm haciendo clic en Actualizar, vuelva a la ventana inicial.
NOTA: La Figura 3A muestra la cuadrícula del dominio aéreo, la Figura 3B muestra la cuadrícula del dominio de la batería y la Figura 3C muestra la cuadrícula del dominio dpm. - Ajuste el tamaño mínimo de la rejilla de aire a 4 mm y el tamaño mínimo de la rejilla de la batería y las partículas polvorientas a 2 mm. Asegúrese de que la cuadrícula sea independiente de la solución, cambie el tamaño mínimo de celda de la cuadrícula y realice un estudio de sensibilidad de la cuadrícula.
NOTA: Como se muestra en la Figura 4, con el número de cuadrículas aumentando de 519343 a 1053849, los cambios máximos de temperatura de la batería son inferiores a 0,6 K. Teniendo en cuenta la capacidad de cálculo y la precisión, el siguiente análisis se basa en el modelo de cuadrícula con 931189 cuadrículas.
3. Análisis de simulación
- Arrastre Flujo de fluidos desde Toolbox > Sistemas de análisis > Flujo de fluidos a la zona del esquema del proyecto. Mantenga presionado airFEM > Mesh, luego batteryFEM > Mesh y dpmFEM > Mesh con el botón izquierdo del mouse y arrástrelos a Fluid Flow > Setup. Haga clic con el botón derecho en Fluid Flow > Setup y seleccione Update (Actualizar) para ingresar a la ventana establecida.
- Verifique la validez del modelo FEM y compruebe si la malla tiene un volumen negativo. El software sugiere automáticamente el volumen del modelo, y un valor razonable del modelo es positivo. Si hay algún problema con la cuadrícula dividida o la configuración del modelo, aparecerá un mensaje de error para indicarlo.
- Activar la ecuación de energía en modelos de transferencia de calor. Introduzca la interfaz de configuración del modelo viscoso y el modelo de radiación y seleccione el modelo K-épsilon y el modelo de ordenadas discretas.
NOTA: Como se muestra en la Figura 5, comparando cuatro modelos viscosos, los resultados del cálculo del modelo de Spalart-Allmaras son bastante diferentes de los de otros modelos. Los resultados del modelo K-épsilon estándar son similares a los de otros modelos K-épsilon. El modelo estándar K-epsilon con mayor estabilidad y economía es ampliamente utilizado; el siguiente análisis se basa en el modelo estándar K-épsilon. - Establezca los nuevos materiales con diferentes atributos para el material de aire, el material de la batería, el material dpm y el material de la caja de la batería en función de la Tabla 1.
NOTA: Dentro del paquete de baterías, hay tres materiales físicos diferentes: aire como fluido y el resto como sólido. A continuación, configura el material.- Cambie el tipo de fluido de los dominios de batería numerados al tipo sólido y cambie el material dpm al material de la batería en la ventana Sólido haciendo doble clic en cada dominio de batería. A continuación, elija el elemento Términos de origen y haga clic en el resaltado Términos de origen para agregar una fuente de energía asignando el número en el número de fuentes de energía y seleccionando Tipo de constante para ingresar el valor de 209993 w/m3.
- Cambie el tipo de fluido de los dominios dpm numerados a Tipo sólido .
- A continuación, configure la interfaz para el cálculo de simulación de varios dominios diferentes de acuerdo con el caudal de ajuste real y el coeficiente de transferencia de calor como se describe a continuación.
- Convierta el tipo de todas las superficies renombradas, incluidas las superficies internas del dominio de aire y todos los lados de los dominios de batería, así como los dominios dpm del muro predeterminado a la interfaz. Una vez que los pasos anteriores hayan finalizado con éxito, las interfaces de malla se generarán inmediatamente.
- Haga clic en Interfaces de malla y entre en la ventana Crear/Editar interfaces de malla . Haga coincidir las superficies de la cavidad con todos los lados, excepto con los lados superiores de los dominios de la batería y los lados inferiores del dpm domian. A continuación, asígneles un nombre y numere como interface1 a interface11, respectivamente. Por lo tanto, las 11 interfaces de malla se pueden crear entre los dominios de aire y batería, así como entre los dominios dpm.
- Haga coincidir los lados superiores de los dominios de batería y los lados inferiores de los dominios dpm. A continuación, asígneles un nombre y numere como interface12 a interface22, respectivamente. A continuación, se crean las 11 interfaces de malla entre los dominios de batería y los dominios dpm.
- Asigne la superficie del borde exterior como la condición de límite térmico de la pared estableciendo el coeficiente de transferencia de calor en 5 en la condición térmica mixta y cambiando su material de aluminio predeterminado al material de la caja de batería previamente definido por él mismo.
- Establezca las velocidades de flujo de aire de todas las entradas como 5 m/s en la ventana de entrada de velocidad y la presión manométrica de la salida como cero en la ventana de salida de presión.
- A continuación, establezca el estado del dominio informático en el momento inicial, como la temperatura inicial de 300 K, que afectará el proceso de convergencia informática.
- Establezca el tipo de inicialización de la solución como la inicialización estándar antes de la inicialización.
- Establezca el número de iteraciones en 2000.
- Haga clic en Calcular para simular. Vuelva a la ventana inicial hasta que finalice la simulación.
- La parte anterior completa el cálculo de simulación de la temperatura y la velocidad del aire dentro del paquete de baterías y luego muestra el resultado de la simulación en Resultado. Realice los siguientes pasos en los resultados que se muestran.
- Haga doble clic en Fluid Flow > Results para entrar en la ventana de publicación de CFD y, a continuación, haga clic en el icono de Contour en la caja de herramientas.
- Seleccione Todos los lados de las baterías en el selector de ubicación y cambie la presión a la temperatura. A continuación, haga clic en Aplicar para generar el contorno de temperatura de las baterías.
- Haga clic en Archivo > Exportar para seleccionar la temperatura de la(s) variable(s) seleccionada(s). Haga clic en el botón desplegable de las ubicaciones para que aparezca la ventana del selector de ubicaciones donde se deben seleccionar todos los dominios de batería. Haga clic en Aceptar y en el botón Guardar para salir.
NOTA: Una hoja de cálculo cuyos datos corresponden a las temperaturas de los nodos de malla de todas las baterías se guardará automáticamente cuando se haga clic en el botón Guardar. - Abra la hoja de cálculo para encontrar el valor máximo, que indica la temperatura máxima de las baterías en un entorno polvoriento a 5 m/s de todas las entradas de flujo de aire.
- Adquiera la temperatura máxima de las baterías en el estado de polvo libre como la temperatura esperada y compárela con la temperatura máxima en el estado polvoriento; El resultado muestra el aumento de toda la temperatura.
NOTA: Para obtener la temperatura máxima de las baterías en un entorno libre de polvo, se debe restablecer el nuevo modelo de paquete de baterías que se muestra en la Figura 6 y se deben repetir todos los pasos 1.1-3.4.3. - Para reducir la temperatura máxima dentro del paquete de baterías, ajuste las velocidades de flujo de aire en las entradas de 5 m/s a 6 m/s, aumente en un 5% y calcule las temperaturas máximas correspondientes de las baterías cubiertas de polvo.
NOTA: El análisis de sensibilidad de los parámetros de velocidad del flujo de aire debe realizarse con mucha antelación antes de cambiar los valores de los parámetros. Como se muestra en la Figura 7 y la Tabla 2, hemos mantenido el mismo flujo total para cada uno de los siete grupos de diferentes combinaciones de velocidad del flujo de aire de entrada. Todavía hay una variación obvia en la temperatura máxima debido a la diferencia en la asignación de la velocidad del flujo de aire. En otras palabras, de alguna manera existe una fuerte correlación entre la combinación de velocidad del flujo de aire y la temperatura máxima. Por lo tanto, esos parámetros de velocidad se pueden utilizar como variables de diseño. - Trace la curva de temperatura-velocidad como se muestra en la Figura 8, donde la línea roja indica que la curva característica de temperatura disminuye con el aumento de la velocidad del flujo de aire, y la línea azul representa la temperatura esperada.
- Mantenga un aumento en la velocidad del flujo de aire del 10%. Cuando el incremento de velocidad es superior al 10%, la temperatura máxima ya es inferior a la temperatura esperada, pero esto no cumple con el propósito de bajo consumo de energía. Para el caudal de aire restante, reduzca la temperatura máxima del paquete de baterías a la temperatura esperada mediante la optimización, logrando así el objetivo de bajo consumo de energía.
4. Muestreo óptimo de hipercubos latinos y modelado de superficie de respuesta
NOTA: Para los caudales retenidos de 5 m/s-5,5 m/s, se seleccionan muestras para construir diferentes combinaciones de caudales dentro de este rango de caudales. Las combinaciones de velocidades se simulan para obtener la temperatura máxima. Construye la función de la velocidad y la temperatura máxima.
- Abra una nueva hoja de cálculo vacía para crear una tabla cuyas filas de la primera columna se denominen inlet1, inlet2 e inlet3, y guarde el archivo como sampling.xlsx.
- Ejecute el software de optimización y arrastre el icono de la hoja de cálculo a la flecha única de la tarea 1. A continuación, haga doble clic en el icono de la hoja de cálculo para que aparezca la ventana Editor de componentes-Excel.
- Importe el sampling.xlsx haciendo clic en el botón Examinar y asigne la entrada1, la entrada2 y la entrada3 a A1, A2 y A3 como parámetros haciendo clic en Agregar esta asignación. Haga clic en el botón Aceptar para volver a la ventana inicial.
- Arrastre el icono DOE a Task1 y haga doble clic en él para que aparezca la ventana Component Editor-DOE. Seleccione el hipercubo latino de OptimOKal y establezca el número de puntos en 15 en la ventana General.
- Cambie a la ventana Factores y establezca 5.5 como límite superior y 5 como límite inferior para A1, A2 y A3.
- Cambie a la ventana Matriz de diseño y haga clic en Generar para generar los puntos de muestreo aleatorios correspondientes a las diferentes velocidades de entrada. Apague el software de optimización.
- Tome las matrices de combinaciones de velocidades de los puntos de muestreo aleatorio para calcular y repita los pasos 3.5.5-3.7.5 para obtener la matriz de temperatura correspondiente compuesta por las temperaturas máximas de las baterías.
- Combine las variables predictoras x1, x2 y x3 de las matrices de combinaciones de velocidad e y de las matrices de temperatura para formar una nueva tabla de variables, como se muestra en la Tabla 3, y guárdela como un archivo sample.txt. Importe el archivo para que se ajuste a un modelo de superficie de respuesta.
- Vuelva a ejecutar el software de optimización y arrastre el icono Aproximación a la flecha única de Tarea1. Haga doble clic en el icono Task1 para abrir la ventana de aproximación del editor de componentes para seleccionar el modelo de superficie de respuesta.
- Cambie a la ventana Archivo de datos e importe el archivo sample.txt que contiene las variables de predicción.
- Cambie a la ventana Parámetros y haga clic en Escanear para abrir los parámetros en la ventana del archivo de datos, donde las variables predictoras de x1, x2 y x3 se definen como entrada e y como salida.
- Cambie a la ventana Opciones de técnica y seleccione la cuadrática en orden polinómico. Cambie a la ventana Opciones de análisis de errores y seleccione Validación cruzada en el método de análisis de errores.
- Cambie a la ventana Ver datos y haga clic en Inicializar ahora para obtener los coeficientes de la ecuación de regresión lineal cuadrática.
- Haga clic en el botón Análisis de errores para abrir la ventana de análisis de errores de aproximación para comprobar si los errores pueden cumplir con los estándares aceptables para cada tipo de error. Cierre la ventana del componente de aproximación. Si el error arbitrario no puede satisfacer los estándares aceptables correspondientes, agregue más puntos de muestra para participar en el ajuste del modelo.
5. Modelo de ajuste aproximado basado en algoritmos de recocido simulado adaptativo
NOTA: A continuación, se utilizan software y algoritmo para encontrar el valor óptimo del modelo aproximado
- Arrastre el icono de optimización a Task1 y haga doble clic en él para que aparezca la ventana de optimización del editor de componentes. Seleccione el recocido simulado adaptativo (ASA) en la técnica de optimización.
- Cambie a la ventana Variables para establecer 5.5 como límite superior y 5 como límite inferior.
- Cambie a la ventana Objetivos y seleccione el parámetro Y antes de cerrar la ventana de optimización del editor de componentes.
- Haga clic en el botón Ejecutar optimización y espere el resultado de la optimización.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Siguiendo el protocolo, las tres primeras partes son las más importantes, que incluyen el modelado, el mallado y la simulación, todo con el fin de obtener la máxima temperatura del paquete de baterías. Luego, la velocidad del flujo de aire se ajusta por muestreo y, finalmente, se obtiene la combinación óptima de caudal mediante optimización.
La Figura 9 muestra la comparación de la distribución de la temperatura del paquete de baterías en diferentes entornos, y la Figura 10 muestra la comparación de la distribución de la temperatura de la segunda batería en diferentes entornos. Como se muestra en la Figura 9 y la Figura 10, la temperatura de la batería en estado polvoriento aumenta a un cierto nivel debido a la baja conductividad térmica de DPM (partículas polvorientas).
Para ajustar la distribución de la temperatura de la batería, ajuste las velocidades del flujo de aire en las entradas de 5 m/s a 6 m/s, aumente en un 5% en el modelo polvoriento y obtenga las temperaturas máximas en cada velocidad del flujo de aire. Cuando la velocidad del flujo de aire se incrementó en un 15% y un 20%, la temperatura máxima del paquete de baterías en el estado polvoriento cayó por debajo de la temperatura máxima del paquete de baterías en el estado de polvo libre, como se muestra en la Figura 8. Teniendo en cuenta el consumo de energía, la velocidad máxima de entrada se establece en 5,5 m/s (aumentada en un 10%) para disminuir la temperatura máxima del paquete de baterías en estado polvoriento.
Al establecer el QRSM cuadrático, el número mínimo de muestras se calcula mediante (N + 1) x (N + 2)/2, donde N es el número de variables de prueba. Hay tres variables de diseño en este artículo, que son las velocidades de entrada y el número mínimo de muestras es 10. Con el fin de establecer un modelo de superficie de respuesta con alta precisión de ajuste, se seleccionaron 15 muestras utilizando el componente DOE de la plataforma de software de optimización. El método de mínimos cuadrados se utiliza para completar el ajuste de la superficie de respuesta entre la temperatura máxima del paquete de baterías obtenida por el software de simulación y tres velocidades de entrada. El modelo de superficie de respuesta aproximada se establece de la siguiente manera:
R2 mide el ajuste global de la ecuación de regresión y expresa la relación global entre la variable dependiente y todas las variables independientes. R2 es igual al cociente entre la suma de cuadrados de la regresión y la suma total de cuadrados, es decir, el porcentaje de la variabilidad de la variable dependiente que la ecuación de regresión puede explicar. Cuanto más se acerque el valor de R2 a 1, mejor será el ajuste de la curva de regresión al valor observado.
El análisis de errores de los resultados del cálculo muestra que R2 es 0,93127, como se muestra en la Figura 11, lo que muestra que el modelo de aproximación de superficie de respuesta polinómica de segundo orden tiene una buena precisión de ajuste.
Al final, el recocido simulado adaptativo (ASA) se utiliza como método de optimización para encontrar combinaciones óptimas de velocidad de flujo de entrada. El número máximo de diseños generados es 10.000, el número de diseños para la comprobación de convergencia es 5 y el épsilon de convergencia es 1,0 x 10-8. La tasa relativa de recocido de parámetros, recocido de costos, enfriamiento de parámetros y enfriamiento de costos fue el mismo valor de 1.
La temperatura máxima del paquete de baterías obtenida por optimización fue de 309,391420 K. Las velocidades de flujo de aire de las entradas son de 5,5 m/s, 5 m/s y 5,5 m/s. Para confirmar la precisión, el caso óptimo fue analizado por el software de simulación. En la Tabla 4 se muestra la comparación entre los resultados de la optimización y la verificación de la simulación. Se puede ver que el error de la temperatura máxima del paquete de baterías está dentro del 0.001% en tres condiciones de velocidades de flujo de aire de entrada, lo que indica que el método de optimización adoptado en este trabajo es efectivo y factible.
La comparación de la distribución de la temperatura de la segunda batería bajo las diferentes velocidades del flujo de aire de entrada se muestra en la Figura 12, y la comparación de la distribución de la temperatura del paquete de baterías antes y después de la optimización se muestra en la Figura 13. La Tabla 5 muestra los valores específicos de las temperaturas máximas y las combinaciones de velocidades de flujo de aire. Cuando las velocidades de flujo de aire de las entradas 1-3 son de 5,5 m/s, 5,5 m/s y 5,5 m/s, respectivamente, la temperatura máxima del paquete de baterías es de 309,426208 K. Después de la optimización, la velocidad del flujo de aire de las entradas 1-3 es de 5,5 m/s, 5 m/s y 5,5 m/s, y la temperatura máxima del paquete de baterías es de 309,392853 K. Cabe señalar que la suma de las velocidades del flujo de aire del caso optimizado que se muestra en la Figura 12B es menor que la suma de las velocidades del flujo de aire del caso que se muestra en la Figura 12A. Sin embargo, la temperatura máxima no aumenta con la disminución de la velocidad del flujo de aire. Además, el paquete de baterías optimizado se compara con el paquete de baterías inicial (es decir, las velocidades de flujo de aire de las tres entradas son de 5 m/s y las baterías están cubiertas con DPM). La Figura 14 compara la distribución de la línea de flujo antes y después de la optimización, y se puede ver que la distribución de la línea de flujo después de la optimización es más amplia. En la figura 15 se comparan los efectos de cada factor sobre la temperatura; El factor x1 tiene la mayor influencia en la temperatura. Los factores x1 y x3 tienen efectos similares sobre la temperatura. En una palabra, la velocidad total del flujo de aire disminuye en un 3% y la temperatura máxima del paquete de baterías se reduce a la temperatura esperada (es decir, la temperatura máxima del paquete de baterías en un estado libre de polvo).
El método de optimización se puede utilizar ampliamente para mejorar el ciclo de vida del paquete de baterías con un bajo consumo de energía.
Figura 1: La hoja de ruta técnica. Esta figura describe el proceso detallado de simulación y optimización de acuerdo con el contenido de la investigación, incluidos los objetos de investigación, los métodos, las soluciones, el modelado, la simulación y el software de optimización. Haga clic aquí para ver una versión más grande de esta figura.
Figura 2: Un modelo 3D de un paquete de baterías de iones de litio en un entorno polvoriento. El modelo 3D del paquete LIB, que puede guardarse como un archivo X_T e importarse a un software de simulación para simularlo, se dibuja mediante un software de modelado. Haga clic aquí para ver una versión más grande de esta figura.
Figura 3: Diagrama de cuadrícula. (A) Esta figura muestra la cuadrícula del dominio aéreo. (B) Esta figura muestra la cuadrícula del dominio de la batería. (C) Esta figura muestra la cuadrícula del dominio dpm. Haga clic aquí para ver una versión más grande de esta figura.
Figura 4: Prueba de independencia de la red. El eje X es el número total diferente de cuadrículas en el modelo de malla y el eje Y es la temperatura. Haga clic aquí para ver una versión más grande de esta figura.
Figura 5: Prueba del modelo viscoso. El eje X es el tipo de modelo viscoso, el número 1 representa el modelo k-épsilon estándar, el número 2 representa el modelo k-épsilon RNG, el número 3 representa el modelo k-épsilon realizable, el número 4 representa el modelo Spalart-Allmaras, el eje Y es la temperatura. Haga clic aquí para ver una versión más grande de esta figura.
Figura 6: Modelo 3D del paquete de baterías de iones de litio en un entorno libre de polvo. El modelo 3D del paquete LIB, que puede guardarse como un archivo X_T e importarse a un software de simulación para simularlo, se dibuja mediante un software de modelado. Haga clic aquí para ver una versión más grande de esta figura.
Figura 7: Análisis de sensibilidad de parámetros. El número en el eje x representa la enésima combinación de velocidades de flujo de aire de entrada. Por ejemplo, el número 5 representa la combinación de velocidades (3,5,7) correspondiente a 3 m/s en la entrada1, 5 m/s en la entrada2, 7 m/s en la entrada3. Del mismo modo, el número 1,2,3,4,6 representa la combinación de velocidad del flujo de aire de entrada de (5,5,5), (4,5,6), (5,6,4), (5,4,6), (3,5,7), (5,3,7), (5,7,3), respectivamente. El eje Y es la temperatura. Haga clic aquí para ver una versión más grande de esta figura.
Figura 8: Variación de la temperatura del paquete de baterías a diferentes velocidades de flujo de aire de entrada. La figura muestra la temperatura máxima del paquete de baterías que disminuye con el aumento de la velocidad del flujo de aire de entrada. El eje x es la tasa de aumento de la velocidad del flujo de aire en las entradas. El eje Y es la temperatura. Haga clic aquí para ver una versión más grande de esta figura.
Figura 9: Comparación de la distribución de la temperatura del paquete de baterías en diferentes entornos. (A) Esta figura muestra la distribución de la temperatura del paquete de baterías en un entorno libre de polvo. (B) Esta figura muestra la distribución de la temperatura del paquete de baterías en un ambiente polvoriento, desde el cual la temperatura es más alta en la batería número 2. Haga clic aquí para ver una versión más grande de esta figura.
Figura 10: Comparación de la distribución de la temperatura de la batería número 2 en diferentes entornos. (A) Esta figura muestra la distribución de temperatura de la batería número 2 en un entorno libre de polvo. (B) Esta figura muestra la distribución de temperatura de la batería número 2 en un entorno polvoriento. Haga clic aquí para ver una versión más grande de esta figura.
Figura 11: Análisis de errores del modelo de superficie de respuesta de aproximación. La figura indica que el modelo de aproximación de superficie de respuesta polinómica cuadrática tiene una buena precisión de ajuste. Haga clic aquí para ver una versión más grande de esta figura.
Figura 12: Comparación de la distribución de la temperatura de la batería número 2 bajo diferentes velocidades de flujo de aire de entrada. (A) Esta figura muestra la distribución de temperatura de la batería número 2 simplemente aumentando la velocidad del flujo de aire de entrada. (B) Esta figura muestra la distribución de temperatura de la batería número 2 después de la optimización de la velocidad del flujo de aire de entrada. Haga clic aquí para ver una versión más grande de esta figura.
Figura 13: Comparación de la distribución de la temperatura del paquete de baterías antes y después de la optimización. (A) Esta figura muestra la distribución de la temperatura del paquete de baterías en un entorno polvoriento sin optimización. (B) Esta figura muestra la distribución de la temperatura del paquete de baterías en un entorno polvoriento después de la optimización. Haga clic aquí para ver una versión más grande de esta figura.
Figura 14: Comparación de la distribución optimizada del paquete de baterías antes y después de la optimización. (A) Esta figura muestra la distribución optimizada del paquete de baterías en un entorno polvoriento sin optimización. (B) Esta figura muestra la distribución optimizada del paquete de baterías en un entorno polvoriento después de la optimización. Haga clic aquí para ver una versión más grande de esta figura.
Figura 15: Influencia de tres factores en la temperatura. (A) Esta figura muestra los efectos de x1 y x2 en la temperatura. (B) Esta figura muestra los efectos de x1 y x3 sobre la temperatura. Haga clic aquí para ver una versión más grande de esta figura.
| Nombre del medio | ρ/kg·m-3 | C/J· (kg· K)-1 | K/W (m·K)-1 |
| material de aire | 1.225 | 1006.43 | 0.0242 |
| Material de la batería | 1958.7 | 733 | kx = 3.6, ky = kz = 10.8 |
| Material dpm | 2870 | 910 | 1.75 |
| Material de la caja de la batería | 7930 | 500 | 16.3 |
Tabla 1: Propiedades del material. Las propiedades del material correspondientes al aire, la batería, las partículas polvorientas y la caja de la batería se utilizarán en la configuración de parámetros del software de simulación.
| Número | Entrada1(m/s) | Entrada2(m/s) | Entrada3(m/s) | Temperatura máxima del paquete de baterías (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 |
Tabla 2: Análisis de sensibilidad de parámetros. La tabla muestra las siete combinaciones de velocidades de flujo de aire de entrada y la temperatura máxima correspondiente del paquete de baterías. Por ejemplo, el número 5 representa la combinación de velocidades (3,5,7) correspondiente a 3 m/s en la entrada1, 5 m/s en la entrada2, 7 m/s en la entrada3 y la temperatura máxima correspondiente del paquete de baterías de 311,54599 K.
| Número | Entrada1(m/s) | Entrada2(m/s) | Entrada3(m/s) | Temperatura máxima del paquete de baterías (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 |
Tabla 3: Matrices de velocidad y temperatura utilizadas para el modelo de superficie de respuesta cuadrática. Las diferentes combinaciones de velocidad del flujo de aire en las entradas pueden ser generadas aleatoriamente por el OLHA, y las temperaturas máximas correspondientes son calculadas por el software de simulación.
| Nombre | Entrada1(m/s) | Entrada2(m/s) | Entrada3(m/s) | Temperatura máxima del paquete de baterías (K) |
| Resultado de la optimización | 5.5 | 5 | 5.5 | 309.39142 |
| Resultado de la verificación de la simulación | 5.5 | 5 | 5.5 | 309.392853 |
Tabla 4: Comparación entre los resultados de la optimización y la verificación de la simulación. La combinación adecuada de velocidad del flujo de aire en las entradas y la temperatura correspondiente se puede obtener mediante la optimización, que también se demuestra que es precisa mediante la verificación de la simulación.
| Nombre | Entrada1(m/s) | Entrada2(m/s) | Entrada3(m/s) | Temperatura máxima del paquete de baterías (K) |
| Un | 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 |
Tabla 5: Comparaciones de la velocidad del flujo de aire de entrada y la temperatura máxima del paquete de baterías en diferentes condiciones. (A) El paquete de baterías bajo la velocidad del flujo de aire de entrada normal y el entorno de polvo libre. (B) El paquete de baterías bajo la velocidad normal del flujo de aire de entrada y el ambiente polvoriento. (C) El paquete de baterías debajo de las entradas, las velocidades del flujo de aire aumentan y el ambiente polvoriento. (D) El paquete de baterías bajo las velocidades de flujo de aire optimizadas y el entorno polvoriento.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
El BTMS utilizado en este estudio se estableció en base al sistema de enfriamiento por aire debido a su bajo costo y simplicidad de la estructura. Debido a la baja capacidad de transferencia de calor, el rendimiento del sistema de refrigeración por aire es inferior al del sistema de refrigeración líquida y el sistema de refrigeración por material de cambio de fase. Sin embargo, el sistema de refrigeración líquida tiene la desventaja de las fugas de refrigerante, y el sistema de refrigeración del material de cambio de fase tiene una gran masa y una baja densidad de energía29. Estos sistemas de refrigeración tienen sus ventajas y desventajas. Por lo tanto, el BTMS se puede establecer combinando un sistema de enfriamiento por aire con un sistema de enfriamiento líquido o un sistema de enfriamiento de material de cambio de fase para promover el rendimiento de enfriamiento.
Se implementó un solucionador CFD para simular el perfil de flujo y temperatura del modelo. Las ecuaciones rectoras30, como la continuidad (2) y la ecuación de conservación de energía (3), se emplearon para resolver el problema térmico dependiente del tiempo del flujo de aire.
Donde p, k y c son las propiedades del aire empleado, que son la densidad, la conductividad térmica y el calor específico, respectivamente; T, y 
son la presión estática, la temperatura y la velocidad del aire de refrigeración.
Ecuaciones de momentolineal 31
Donde u,i y uj son componentes de velocidad promediada por Reynolds; xi y xj son coordenadas cartesianas; P es la presión promediada por Reynolds; μ es la viscosidad dinámica; μt es la viscosidad dinámica turbulenta. k es la energía cinética turbulenta; ε es la tasa de disipación de energía cinética turbulenta.
El número de Reynolds basado en la velocidad del flujo de entrada (v=5 m/s) y el diámetro equivalente se estimó en 0,0242308; el número de Reynolds se calcula como 9894, por lo que se seleccionó un modelo de turbulencia del modelo estándar k-e.
Ecuación del número de Reynolds32
Donde Pl es la densidad, Vmax es la velocidad máxima de flujo del líquido, D es el diámetro equivalente del recipiente y ul es la viscosidad dinámica del líquido.
Ecuación33 de energía cinética turbulenta
Donde kt y ε es la energía cinética turbulenta y la tasa de disipación de turbulencia, respectivamente; uj es el componente j-ésimo del vector de velocidad, y μ y ut son la viscosidad dinámica molecular y turbulenta, respectivamente; Gkt y Gb son la generación de energía cinética turbulenta causada por la velocidad media y la generación de energía cinética turbulenta como resultado de los efectos de flotabilidad, respectivamente; YM representa la influencia de la fluctuación de la dilatación incompresible turbulenta a la suma de las tasas de disipación; Skt es el término fuente de kt; αkt es el número de Prandtl efectivo inverso para kt.
Ecuación33 de disipación de energía cinética turbulenta
Donde Sε es el término fuente de ε; αt es el número de Prandtl efectivo inverso para ε; C1ε , C2ε y C3ε son constantes empíricas.
Para las celdas de la batería, la ecuación de conservación de energía34
Donde Q, kb, cb; y Pb representan el calor generado, la conductividad térmica, la capacidad calorífica específica y la densidad de la batería, respectivamente.
Fórmula de convección de calor35
Donde hf representa el coeficiente de transferencia de calor por convección; Ts representa la temperatura superficial de los LIB; TB representa la temperatura del aire ambiente; y q* representa la tasa de transferencia de calor por convección.
La entrada del BTMS se ajustó a una condición límite de velocidad-entrada de 5 m/s y una temperatura de 300 K, mientras que la salida del sistema se acondicionó a presión-salida con la presión circundante ajustada a presión atmosférica. Las paredes que rodean el sistema están preparadas para la convección natural.
Este documento comenzó la investigación bajo la condición de que se determinara la estructura del modelo del paquete de baterías, el polvo que cubre la superficie de la batería hará que la temperatura de la batería aumente. A continuación, presentamos el ASAM para optimizar un QRSM aproximado y cumplir con las caídas de temperatura a través de la combinación óptima de velocidades de flujo de aire de las entradas del sistema para resolver el problema del efecto DPM. Cabe mencionar que las posiciones de la entrada y salida de aire del paquete de baterías también tienen una gran influencia en la temperatura del BTMS14.
Hay algunos pasos críticos en el protocolo. Al crear el modelo 3D del paquete de baterías, asigne a cada cuerpo y superficie del modelo un nombre reconocible para el material de adición de material posterior, la creación de la interfaz de malla y el establecimiento de condiciones de contorno. Al operar el software de simulación, es necesario configurar cada parámetro con precisión, especialmente la unidad del parámetro.
En términos de modelo de ajuste, el análisis de errores es importante en el modelado de la superficie de respuesta, si el error arbitrario no pudo satisfacer los estándares aceptables correspondientes, se deben agregar más puntos de muestra para participar en el ajuste del modelo hasta que el error alcance los estándares aceptables. Después de que el software de simulación importe el modelo de cuadrícula, resuelva los problemas del modelo de malla, haga clic en Comprobar para comprobar si la malla tiene un volumen negativo. Si hay algún problema con la cuadrícula dividida o la configuración del modelo, aparecerá un mensaje de error.
La principal limitación de este estudio es que el modelo geométrico utilizado en la simulación se deriva simplificando el modelo realista del paquete de baterías, es casi imposible reflejar completamente la realidad. Por lo tanto, es poco probable que las condiciones de contorno impuestas sean coherentes con la situación real. Los resultados del cálculo también son diferentes según las diferentes teorías de cálculo. Para facilitar la simulación, simplificamos el modelo de generación de calor de la batería, la tasa media de generación de calor de la batería es de 20.993 kW/m3 como la fuente de calor internade 36,37.
La importancia de los métodos existentes y de las aplicaciones futuras de la técnica:
Este protocolo ayudará a establecer un método de optimización al mismo tiempo que considera el consumo de energía y el rendimiento térmico del sistema de gestión de baterías, y puede usarse ampliamente para mejorar el ciclo de vida del paquete de baterías con un costo operativo mínimo. Esta técnica también se puede utilizar en el diseño mecánico, el diseño arquitectónico y otros campos.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Los autores no tienen nada que revelar.
Acknowledgments
Algunos programas de análisis y optimización son compatibles con la Universidad de Tsinghua, la Universidad de Konkuk, la Universidad Nacional de Chonnam, la Universidad de Mokpo y la Universidad de Chiba.
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).
