Summary
Her præsenterer vi den adaptive simulerede udglødningsmetode (ASAM) for at optimere en omtrentlig kvadratisk responsoverflademodel (QRSM) svarende til et støvet partikeldækket batterivarmestyringssystem og opfylde temperaturfaldene tilbage ved at justere luftstrømshastighedskombinationen af systemindløb.
Abstract
Denne undersøgelse har til formål at løse problemet med celletemperaturstigning og ydelsesfald forårsaget af støvede partikler, der dækker cellens overflade gennem tildeling af luftstrømshastigheder ved indløb i batterikøleboksen under målet om lavt energiforbrug. Vi tager batteripakkens maksimale temperatur ved en bestemt luftstrømshastighed og støvfrit miljø som den forventede temperatur i et støvet miljø. Den maksimale temperatur på batteripakken i et støvet miljø løses ved forskellige indløbshastigheder, som er grænsebetingelserne for analysemodellen, der er konstrueret i simuleringssoftwaren. Arrayerne, der repræsenterer de forskellige luftstrømshastighedskombinationer af indløb, genereres tilfældigt gennem den optimale latinske hypercubealgoritme (OLHA), hvor de nedre og øvre grænser for hastigheder svarende til temperaturerne over den ønskede temperatur indstilles i optimeringssoftwaren. Vi etablerer en omtrentlig QRSM mellem hastighedskombinationen og den maksimale temperatur ved hjælp af monteringsmodulet i optimeringssoftwaren. QRSM er optimeret baseret på ASAM, og det optimale resultat er i god overensstemmelse med analyseresultatet opnået af simuleringssoftwaren. Efter optimering ændres strømningshastigheden for det midterste indløb fra 5,5 m / s til 5 m / s, og den samlede luftstrømshastighed reduceres med 3%. Protokollen her præsenterer en optimeringsmetode, der samtidig overvejer energiforbrug og termisk ydeevne for det batteristyringssystem, der er etableret, og det kan i vid udstrækning bruges til at forbedre batteripakkens livscyklus med minimale driftsomkostninger.
Introduction
Med den hurtige udvikling af bilindustrien forbruger traditionelle brændstofkøretøjer mange ikke-vedvarende ressourcer, hvilket resulterer i alvorlig miljøforurening og energimangel. En af de mest lovende løsninger er udviklingen af elektriske køretøjer1,2.
De strømbatterier, der bruges til elbiler, kan lagre elektrokemisk energi, hvilket er nøglen til at erstatte traditionelle brændstofkøretøjer. Strømbatterier, der bruges i elbiler, omfatter lithium-ion-batteri (LIB), nikkel-metalhydridbatteri (NiMH) og elektrisk dobbeltlagskondensator (EDLC)3. Sammenlignet med de andre batterier bruges lithium-ion-batterier i øjeblikket i vid udstrækning som energilagringsenheder i elbiler på grund af deres fordele såsom høj energitæthed, høj effektivitet og lang livscyklus 4,5,6,7.
På grund af kemisk reaktionsvarme og Joule-varme er det imidlertid let at akkumulere en stor mængde varme og øge batteritemperaturen under hurtig opladning og højintensiv afladning. Den ideelle driftstemperatur for LIB er 20-40 °C 8,9. Den maksimale temperaturforskel mellem batterierne i en batteristreng må ikke overstige 5 °C10,11. Ellers kan det føre til en række risici såsom temperaturubalance mellem batterierne, accelereret aldring, endda overophedning, brand, eksplosion og så videre12. Derfor er det kritiske problem, der skal løses, at designe og optimere et effektivt batterivarmestyringssystem (BTMS), der kan kontrollere temperaturen og temperaturforskellen på batteripakken inden for en smal.
Typisk BTMS inkluderer luftkøling, vandkøling og faseændring materialekøling13. Blandt disse kølemetoder anvendes luftkølingstypen i vid udstrækning på grund af dens lave omkostninger og enkelhed i strukturen14. På grund af luftens begrænsede specifikke varmekapacitet er det let at forekomme høje temperaturer og store temperaturforskelle mellem battericeller i luftkølede systemer. For at forbedre køleydelsen af luftkølet BTMS er det nødvendigt at designe et effektivt system 15,16,17. Qian et al.18 indsamlede batteripakkens maksimale temperatur og temperaturforskel for at træne den tilsvarende Bayesianske neurale netværksmodel, som bruges til at optimere celleafstanden i seriens luftkølede batteripakke. Chen et al.19 rapporterede ved hjælp af Newton-metoden og flowmodstandsnetværksmodellen til optimering af bredden af indløbsdivergensplenumet og udløbskonvergensplenumet i Z-type parallelt luftkølet system. Resultaterne viste en 45% reduktion i systemets temperaturforskel. Liu et al.20 samplede fem grupper af kølekanalerne i J-BTMS og opnåede den bedste kombination af celleafstand ved hjælp af ensemblesurrogatbaseret optimeringsalgoritme. Baveja et al.21 modellerede et passivt afbalanceret batterimodul, og undersøgelsen beskrev virkningerne af termisk forudsigelse på passiv balancering på modulniveau og omvendt. Singh et al.22 undersøgte et batterivarmestyringssystem (BTMS), der brugte indkapslet faseændringsmateriale sammen med tvungen konvektiv luftkøling designet ved hjælp af den koblede elektrokemisk-termiske modellering. Fan et al.23 foreslog en væskekøleplade bestående af en flertrins Tesla-ventilkonfiguration for at give et sikrere temperaturområde for et prismatisk lithium-ion-batteri med høj genkendelse i mikrofluidiske applikationer. Feng et al. 24 brugte variationskoefficientmetoden til at evaluere ordningerne med forskellige indløbsstrømningshastigheder og batteriafstande. Talele et al.25 introducerede vægforstærket pyroforing varmeisolering for at lagre potentiel genereret opvarmning baseret på optimal placering af varmefilm.
Når man bruger luftkølende BTMS, vil metalstøvpartikler, mineralstøvpartikler, byggematerialers støvpartikler og andre partikler i det ydre miljø blive bragt ind i luftkøling BTMS af blæseren, hvilket kan medføre, at batteriernes overflade dækkes med DPM. Hvis der ikke er nogen varmeafledningsplan, kan det forårsage ulykker på grund af den for høje batteritemperatur. Efter simulering tager vi den maksimale temperatur på batteripakken i en specificeret luftstrømshastighed og støvfrit miljø som den forventede temperatur i et støvet miljø. For det første henviser C-hastighed til den aktuelle værdi, der kræves, når batteriet frigiver sin nominelle kapacitet inden for den angivne tid, hvilket er lig med et multiplum af batteriets nominelle kapacitet i dataværdien. I dette papir bruger simuleringen 2C-hastighedsudladning. Den nominelle kapacitet er 10 Ah, og den nominelle spænding er 3,2 V. Lithiumjernphosphat (LiFePO4) bruges som det positive elektrodemateriale, og kulstof bruges som det negative elektrodemateriale. Elektrolytten har elektrolyt lithiumsalt, et organisk opløsningsmiddel med høj renhed, nødvendige tilsætningsstoffer og andre råmaterialer. Det tilfældige array, der repræsenterer de forskellige hastighedskombinationer ved indløbene, blev bestemt gennem OLHA, og en 2. ordens funktion mellem batteripakkens maksimale temperatur og kombinationen af indløbsstrømningshastighed blev oprettet under forudsætning af at kontrollere nøjagtigheden af kurvetilpasningen. Latin hypercube (LH) design er blevet anvendt i mange computereksperimenter, siden de blev foreslået af McKay et al.26. En LH er givet ved en N x p-matrix L, hvor hver kolonne af L består af en permutation af heltalene 1 til N. I dette papir bruges den optimale latinske hypercube-prøveudtagningsmetode til at reducere beregningsbyrden. Metoden anvender stratificeret prøveudtagning for at sikre, at prøveudtagningsstederne kan dække alle interne prøveudtagningsdele.
I det følgende trin blev kombinationen af indløbshastighed optimeret til at reducere batteriets maksimale temperatur i et støvet miljø baseret på ASAM under forudsætning af at energiforbruget overvejes samtidigt. Den adaptive simulerede udglødningsalgoritme er blevet udviklet i vid udstrækning og udbredt i mange optimeringsproblemer27,28. Denne algoritme kan undgå at blive fanget i et lokalt optimalt ved at acceptere den værste løsning med en vis sandsynlighed. Det globale optimale opnås ved at definere acceptsandsynligheden og temperaturen; Beregningshastigheden kan også justeres ved hjælp af disse to parametre. Endelig blev det optimale resultat sammenlignet med analyseresultatet opnået fra simuleringssoftwaren for at kontrollere optimeringens nøjagtighed.
I dette papir foreslås en optimeringsmetode for batteriboksens indløbsstrømningshastighed for batteripakken, hvis temperatur stiger på grund af støvdæksel. Formålet er at reducere den maksimale temperatur for den støvdækkede batteripakke til under den maksimale temperatur for den ikke-støvdækkede batteripakke i tilfælde af lavt energiforbrug.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
BEMÆRK: Køreplanen for forskningsteknologi er vist i figur 1, hvor modellerings-, simulerings- og optimeringssoftwaren anvendes. De krævede materialer er vist i materialetabellen.
1. Oprettelse af 3D-modellen
BEMÆRK: Vi brugte Solidworks til at skabe 3D-modellen.
- Tegn et rektangel på 252 mm x 175 mm, klik på Ekstrudering af boss/base, og indtast 73. Opret et nyt plan 4 mm fra den ydre overflade.
- Tegn et rektangel 131 mm x 16 mm, og klik på Lineært skitsemønster. Indtast 22 og 6 i henholdsvis afstand og antal forekomster. Markér alle fire sider af rektanglet, og klik på OK. Indtast 180 i vinkel, og kør den igen. Dette trin er til symmetri i midten af modellen.
- Klik på Ekstruderklip, indtast 65, og klik på OK. Klik på Ekstrudering af boss/base, og indtast 65, fjern markeringen af Flet resultat, og klik på Omvendt retning og OK.
BEMÆRK: Når fletningsresultatet ikke er markeret, bliver det strakte objekt et separat objekt. Der er i alt 23 dele, inklusive 11 batterier, 11 støvede partikler og 1 luftdomæne. - Tegn et rektangel 16 mm x 1 mm. Gentag trin 1.2 og 1.3.
- Tegn et rektangel 63 mm x 15 mm, klik på rektanglets øverste kant og på Lineært skitsemønster. Skriv 21, 3 og 270, og klik på OK. Klik på Opdel linje og kubens forside, klik på OK.
- Tegn et rektangel 63 mm x 15 mm. Klik på Opdel linje og kubens forside, klik på OK.
- Klik på Filer , og gem den som en X_T fil.
BEMÆRK: Den angivne størrelse: Lboks: 73 mm; Wboks:252 mm; H-boks: 175 mm; Lb, Ld:65 mm; Bb, Bd:10 mm; Hb:131 mm; Hd:1 mm; Li:63 mm; Bi:15 mm; d1, d2:5 mm, d3:6 mm er vist i figur 2. - Træk maskekomponenten ved at klikke på Værktøjskasse > Komponentsystemer > maske til projektets skematiske zone. Importer den tidligere gemte X_T fil ved at klikke på Geometri.
- Gå ind i vinduet med maskedesignmodel, hvorefter batteripakkemodellen, herunder 23 dele som uafhængige dele, vises igen ved at klikke på Generer.
- Vælg alle 23 dele af batteriet til at være en ny del, der hedder batteridel, alle støvede partikler på 23 dele som støvdel og lufthulrum som luftdel i træets omrids for nemheds skyld ved efterfølgende at skjule og navngive objekter.
- Højreklik først på BatteryPart og DustPart og vælg Skjul del , så pop op-vinduet kun viser luftdelen.
- Flyt musen til markeringsværktøjslinjen for at vælge Markeringsfilter: Kroppe, højreklik på lufthulrumsmodellen i grafikzonen for at vælge Navngivet markering, og omdøb lufthulrumsmodellen i detaljevisningszonen som luftdomæne.
- Skift til markeringsfilter: Flader, højreklik og omdøb overfladen, der er opdelt i tre stykker, fra bund til top, som indløb1, indløb2 og indløb3, den separate overflade til højre for disse tre flader kaldes udløb, den resterende ydre overflade hedder henholdsvis yderkant.
- Skift markeringstilstand til boksvalget, klik på Y-aksen for at få den passende visning af lufthulrumsmodellen for at gøre det lettere at vælge boks, omdøbe og nummerere alle indre overflader som hulrumsoverflade1 til hulrumsoverflade11 ved hjælp af boksvalg.
- Hvis du kun vil have vist batteryPart, skal du højreklikke på airPart og vælge Skjul del. Højreklik på batteryPart , og vælg Vis del i pop op-genvejsmenuen.
- Flyt musen til valgværktøjslinjen for at vælge Markeringsfilter: Kroppe, skift valgtilstand til Enkelt valg, højreklik på Hver batterimodel i grafikzonen for at vælge det navngivne valg, omdøb og nummerer de 11 batterimodeller i detaljeringsvisningszonen som henholdsvis batteryDomain1 til batteryDomain11.
- Desuden har hver batterimodel seks sider, skift derefter til Markeringsfilter: Ansigter, højreklik på hver side af det nummererede batteryDomains for at vælge Navngivet valg og omdøbe dem i henhold til retningen på batterisiden. Du kan f.eks. omdøbe seks sider af det nummererede batteryDomain1 til batteryDomain1_Upper, batteryDomain1_Lower, batteryDomain1_Left, batteryDomain1_Right, batteryDomain1_Front og batteryDomain1_Back.
- For kun at vise dustPart skal du højreklikke på batteryPart og vælge Skjul del. Højreklik på dustPart , og vælg Vis del i pop op-genvejsmenuen.
- Flyt musen til markeringsværktøjslinjen for at vælge markeringsfilteret: Kroppe, højreklik på hver støvet partikelstofmodel i grafikzonen for at vælge Navngivet markering, omdøb og nummerer de 11 støvede partikelstofmodeller i detaljeringsvisningszonen som henholdsvis dpmDomain1 til dpmDomain11.
- Desuden har hver støvet partikelmodel seks sider; skift derefter til Markeringsfilter: Ansigter, højreklik på hver side af de nummererede dpmDomains for at vælge Navngivet markering og omdøbe dem i henhold til retningen på den støvede partikelside. Omdøb f.eks. seks sider af nummereret dpmDomain1 som dpmDomain1_Upper, dpmDomain1_Lower, dpmDomain1_Left, dpmDomain1_Right, dpmDomain1_Front og dpmDomain1_Back.
- Vis alle kroppe og vend tilbage til det oprindelige vindue igen.
2. Generer maskemodellen
BEMÆRK: Finite element mesh er et meget vigtigt trin i finite element numerisk simuleringsanalyse, som direkte påvirker nøjagtigheden af efterfølgende numeriske analyseresultater. De omdøbte enheder maskes derefter.
- Hvis du vil integrere luftdomænet, batteridomænet og dpm-domænet uafhængigt uafhængigt af hinanden, skal du trække to Mesh-komponenter igen fra Toolbox > Component Systems > Mesh til projektets skematiske zone og omdøbe dem til henholdsvis airFEM, batteryFEM og dpmFEM. Hold airFEM-> geometri nede med venstre museknap, og træk den til batteryFEM->geometrien.
- Hold derefter batteryFEM > Geometry nede med venstre museknap og træk den til dpmFEM-> Geometri. Højreklik på linjerne mellem de tre maskekomponenter, og vælg Slet for at adskille dem fra hinanden.
- Dobbeltklik på airFEMs net, gå ind i maskevinduet, højreklik på batteryPart og dustPart for at vælge Suppress Body, og skift den fysiske præference fra mekanisk til CFD. Generer FEM air-domænemodellen gennem ansigtsstørrelsen på 2 mm og kropsstørrelsen på 4 mm ved at klikke på Opdater og vende tilbage til det oprindelige vindue.
- Dobbeltklik på batteryFEMs Mesh, gå ind i maskevinduet, højreklik på airPart og dustPart for at vælge Undertryk krop, og skift den fysiske præference fra Mekanisk til CFD. Generer FEM-batteridomænemodellen gennem kropsstørrelsen 2 mm ved at klikke på Opdater og vende tilbage til startvinduet.
- Dobbeltklik på dpmFEMs maske, gå ind i maskevinduet, højreklik på airPart og batteryPart for at vælge Undertryk krop, og skift den fysiske præference fra mekanisk til CFD. Generer FEM dpm-domænemodellen gennem kropsstørrelse 2 mm ved at klikke på Opdater, vend tilbage til det oprindelige vindue.
BEMÆRK: Figur 3A viser gitteret for luftdomænet, figur 3B viser gitteret for batteridomænet, og figur 3C viser gitteret for dpm-domænet. - Indstil minimumsstørrelsen på luftgitteret til 4 mm og minimumsstørrelsen på batteriet og støvgitteret til 2 mm. Sørg for, at gitteret er løsningsuafhængigt, skift gitterets mindste cellestørrelse, og udfør en undersøgelse af gitterfølsomhed.
BEMÆRK: Som vist i figur 4, med antallet af gitre stigende fra 519343 til 1053849, er de maksimale batteritemperaturændringer mindre end 0,6 K. I betragtning af beregningsevnen og nøjagtigheden er følgende analyse baseret på gittermodellen med 931189 gitre.
3. Simuleringsanalyse
- Træk Fluid Flow fra Toolbox > Analysis Systems > Fluid Flow til projektets skematiske zone. Hold airFEM > Mesh, derefter batteryFEM > Mesh og dpmFEM > Mesh nede med venstre museknap, og træk dem til Fluid Flow > Setup. Højreklik på Fluid Flow > Setup , og vælg Opdater for at åbne det indstillede vindue.
- Kontroller gyldigheden af FEM-modellen, og kontroller, om masken har et negativt volumen. Softwaren foreslår automatisk modellens volumen, og en rimelig modelværdi er positiv. Hvis der er noget problem med det opdelte gitter eller modelindstillinger, vises en fejlmeddelelse for at fortælle.
- Aktivér energiligningen i varmeoverførselsmodeller. Indtast indstillingsgrænsefladen for den viskøse model og strålingsmodellen, og vælg K-epsilonmodellen og den diskrete ordinatmodel.
BEMÆRK: Som vist i figur 5, der sammenligner fire viskøse modeller, er beregningsresultaterne for Spalart-Allmaras-modellen helt forskellige fra andre modeller. Resultaterne af Standard K-epsilon-modellen er som for andre K-epsilon-modeller. Standard K-epsilon-modellen med højere stabilitet og økonomi anvendes i vid udstrækning; Følgende analyse er baseret på Standard K-epsilon-modellen. - Indstil de nye materialer med forskellige attributter for luftmateriale, batterimateriale, dpm-materiale og batteriboksmateriale baseret på tabel 1.
BEMÆRK: Inde i batteripakken er der tre forskellige fysiske materialer: luft som væske og resten som et fast stof. Derefter skal du oprette materialet.- Skift væsketypen for de nummererede batteridomæner til typen Udfyldt , og skift dpm-materialet til batterimaterialet i vinduet Solid ved at dobbeltklikke på hvert batteridomæne. Vælg derefter elementet Kildebetingelser , og klik på de fremhævede kildebetingelser for at tilføje en energikilde ved at tildele nummeret i antallet af energikilder og vælge Konstant type for at indtaste værdien af 209993 w/m3.
- Skift væsketypen for de nummererede dpm-domæner til Solid type.
- Indstil derefter grænsefladen til simuleringsberegning af flere forskellige domæner i henhold til den faktiske indstillingsstrømningshastighed og varmeoverførselskoefficient som beskrevet nedenfor.
- Konverter typen af alle omdøbte overflader, inklusive de indre overflader af luftdomænet og alle sider af batteridomænerne samt dpm-domæner fra standardvæggen til grænsefladen. Når ovenstående trin er afsluttet med succes, genereres mesh-grænsefladerne med det samme.
- Klik på Mesh-grænsefladerne , og gå ind i vinduet Opret/rediger mesh-grænseflader . Match hulrumsoverfladerne til alle sider undtagen batteridomænernes oversider og dpm domians nedre sider. Derefter skal du navngive og nummerere dem som henholdsvis interface1 til interface11. Så de 11 mesh-grænseflader kan oprettes blandt luftdomænet og batteridomianerne samt dpm-domæner.
- Match batteridomænernes oversider og dpm-domænernes nedre sider. Derefter skal du navngive og nummerere dem som henholdsvis interface12 til interface22. Derefter oprettes de 11 mesh-grænseflader mellem batteridomænerne og dpm-domænerne.
- Tildel overfladen af den ydre kant som væggens termiske grænsetilstand ved at indstille varmeoverførselskoefficienten til 5 i den blandede termiske tilstand og ændre dens materiale fra standard aluminium til det tidligere selvdefinerede batterikassemateriale.
- Indstil luftstrømningshastighederne for alle indtag til 5 m/s i hastighedsindløbsvinduet og målertrykket for udløbet til nul i trykudløbsvinduet.
- Indstil derefter tilstanden for computerdomænet i det indledende øjeblik, såsom den indledende temperatur på 300 K, hvilket vil påvirke processen med computerkonvergens.
- Angiv typen af løsningsinitialisering som standardinitialisering før initialisering.
- Indstil antallet af gentagelser til 2000.
- Klik på Beregn for at simulere. Gå tilbage til det oprindelige vindue, indtil simuleringen er færdig.
- Ovenstående del fuldender simuleringsberegningen af temperatur og lufthastighed inde i batteripakken og viser derefter simuleringsresultatet i Resultat. Udfør følgende trin i de viste resultater.
- Dobbeltklik på Fluid Flow > Resultater for at åbne CFD-indlægsvinduet, og klik derefter på ikonet for Contour i værktøjskassen.
- Vælg Alle sider af batterierne i placeringsvælgeren, og skift tryk til temperatur. Klik derefter på Anvend for at generere batteriernes temperaturkontur.
- Klik på Filer > eksport for at vælge temperaturen på de(n) valgte variabel(er). Klik på rullemenuen for placeringerne for at åbne placeringsvælgervinduet, hvor alle batteridomæner skal vælges. Klik på OK og Gem knappen for at afslutte.
BEMÆRK: Et regneark, hvis data svarer til temperaturerne på alle batteriernes mesh-noder, gemmes automatisk, når der klikkes på knappen Gem. - Åbn regnearket for at finde den maksimale værdi, som angiver batteriernes maksimale temperatur i støvede omgivelser ved 5 m/s af alle luftstrømsindløb.
- Få batteriernes maksimale temperatur i fri støvtilstand som den forventede temperatur, og sammenlign den med den maksimale temperatur i støvet tilstand; Resultatet viser, at hele temperaturen stiger.
BEMÆRK: For at opnå den maksimale temperatur for batterier i et støvfrit miljø skal den nye batteripakkemodel, der er vist i figur 6 , genoprettes, og alle trin 1.1-3.4.3 gentages. - For at sænke den maksimale temperatur inde i batteripakken skal du indstille luftstrømshastighederne ved indløbene fra 5 m/s til 6 m/s, øge med 5 % og beregne de tilsvarende maksimale temperaturer for de støvede batterier.
BEMÆRK: Følsomhedsanalysen af luftstrømshastighedsparametre skal udføres i god tid, før parameterværdierne ændres. Som vist i figur 7 og tabel 2 har vi holdt den samme samlede strøm for hver af de syv grupper af forskellige kombinationer af indsugningshastighed. Der er stadig en tydelig variation i den maksimale temperatur på grund af forskellen i luftstrømshastighedsallokering. Med andre ord er der på en eller anden måde en stærk sammenhæng mellem luftstrømshastighedskombinationen og den maksimale temperatur. Derfor kan disse hastighedsparametre bruges som designvariabler. - Temperatur-hastighedskurven afbildes som vist i figur 8, hvor den røde linje angiver, at temperaturkarakteristikken falder med stigningen i luftstrømningshastigheden, og den blå linje repræsenterer den forventede temperatur.
- Oprethold en stigning i luftstrømshastigheden på 10%. Når hastighedsforøgelsen er mere end 10%, er den maksimale temperatur allerede lavere end den forventede temperatur, men dette opfylder ikke formålet med lavt energiforbrug. For den resterende luftstrømningshastighed skal du reducere batteriets maksimale temperatur til den forventede temperatur gennem optimering og dermed nå målet om lavt energiforbrug.
4. Optimal latin hypercube prøveudtagning og respons overflade modellering
BEMÆRK: For de tilbageholdte strømningshastigheder på 5 m/s-5,5 m/s udvælges prøver til at konstruere forskellige strømningshastighedskombinationer inden for dette flowhastighedsområde. Hastighedskombinationerne simuleres for at opnå den maksimale temperatur. Konstruer funktionen af hastighed og maksimal temperatur.
- Åbn et nyt tomt regneark for at oprette en tabel, hvis rækker i den første kolonne hedder indløb1, indløb2 og indløb3, og gem filen som sampling.xlsx.
- Kør optimeringssoftwaren, og træk regnearksikonet til den enkelte pil i opgave 1. Dobbeltklik derefter på regnearkikonet for at åbne vinduet Component Editor-Excel.
- Importer sampling.xlsx ved at klikke på knappen Gennemse , og knyt indløbet1, indløbet2 og indløbet3 til A1, A2 og A3 som parametre ved at klikke på Tilføj denne tilknytning. Klik på knappen OK for at vende tilbage til det oprindelige vindue.
- Træk DOE-ikonet til Task1, og dobbeltklik på det for at åbne vinduet Component Editor-DOE. Vælg OptimOKal Latin Hypercube , og indstil antallet af point som 15 i vinduet Generelt.
- Skift til vinduet Faktorer , og indstil 5,5 som den øvre grænse og 5 som den nedre grænse for A1, A2 og A3.
- Skift til vinduet Designmatrix , og klik på Generer for at generere de tilfældige prøveudtagningspunkter, der svarer til de forskellige indløbshastigheder. Luk optimeringssoftware.
- Matrixerne med hastighedskombinationer fra de tilfældige prøvetagningspunkter tages tilbage for at beregne og gentage trin 3.5.5-3.7.5 for at opnå det tilsvarende temperaturarray, der består af batteriernes maksimale temperaturer.
- Kombiner forudsigelsesvariablerne x1, x2 og x3 i matrixerne med hastighedskombinationer og y i temperaturarrayerne for at danne en ny tabel med variabler, som vist i tabel 3, og gem den som en sample.txt fil. Importér filen, så den passer til en svaroverflademodel.
- Kør optimeringssoftwaren igen, og træk ikonet Tilnærmelse til den enkelte pil i Opgave1. Dobbeltklik på ikonet Opgave1 for at åbne komponenteditor-approksimationsvinduet for at vælge responsoverflademodellen.
- Skift til vinduet Datafil , og importer den sample.txt fil, der indeholder forudsigelsesvariablerne.
- Skift til vinduet Parametre , og klik på Scan for at åbne parametrene i datafilvinduet, hvor forudsigelsesvariablerne x1, x2 og x3 er defineret som input og y som output.
- Skift til vinduet Teknikindstillinger , og vælg Kvadratisk i polynomisk rækkefølge. Skift til vinduet Indstillinger for fejlanalyse, og vælg krydsvalidering i fejlanalysemetoden.
- Skift til vinduet Vis data , og klik på Initialiser nu for at få koefficienterne for den kvadratiske lineære regressionsligning.
- Klik på knappen Fejlanalyse for at åbne vinduet for analyse af tilnærmelsesfejl for at kontrollere, om fejlene kan opfylde de acceptable standarder for hver fejltype. Luk vinduet med approksimationskomponenten. Hvis den vilkårlige fejl ikke kan opfylde de tilsvarende acceptable standarder, skal du tilføje flere prøvepunkter for at deltage i modeltilpasningen.
5. Adaptiv simuleret udglødningsalgoritmebaseret omtrentlig tilpasningsmodel
BEMÆRK: Dernæst bruges software og algoritme til at finde den optimale værdi af den omtrentlige model
- Træk optimeringsikonet til Opgave1, og dobbeltklik på det for at åbne vinduet til optimering af komponenteditoren. Vælg Adaptive Simulated Annealing (ASA) i optimeringsteknikken.
- Skift til vinduet Variabler for at indstille 5,5 som den øvre grænse og 5 som den nedre grænse.
- Skift til vinduet Målsætninger , og vælg parameteren Y , før du lukker komponenteditoroptimeringsvinduet.
- Klik på knappen Kør optimering , og vent på optimeringsresultatet.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Efter protokollen er de første tre dele de vigtigste, som inkluderer modellering, mesh og simulering, alt sammen for at få den maksimale temperatur på batteripakken. Derefter justeres luftstrømningshastigheden ved prøveudtagning, og endelig opnås den optimale strømningshastighedskombination ved optimering.
Figur 9 viser sammenligningen af batteripakkens temperaturfordeling i forskellige miljøer, og figur 10 viser sammenligningen af den anden batteritemperaturfordeling i forskellige miljøer. Som vist i figur 9 og figur 10 øges batteriets temperatur i støvet tilstand til et bestemt niveau på grund af DPM's (støvede partikler) lave varmeledningsevne.
For at justere batteritemperaturfordelingen skal du indstille luftstrømshastighederne ved indløbene fra 5 m / s til 6 m / s, øge med 5% under den støvede model og opnå de maksimale temperaturer ved hver luftstrømshastighed. Når luftstrømningshastigheden blev øget med 15 % og 20 %, faldt batteriets maksimale temperatur i støvet tilstand til under batteriets maksimale temperatur i støvtilstand i fri støvtilstand, som vist i figur 8. I betragtning af energiforbruget er den maksimale indløbshastighed indstillet til 5,5 m/s (øget med 10%) for at reducere batteriets maksimale temperatur i støvet tilstand.
Ved bestemmelse af den kvadratiske QRSM beregnes det mindste antal prøver ved (N + 1) x (N + 2) / 2, hvor N er antallet af testvariabler. Der er tre designvariabler i denne artikel, som er indløbshastighederne, og det mindste antal prøver er 10. For at etablere en responsoverflademodel med høj monteringsnøjagtighed blev 15 prøver udvalgt ved hjælp af DOE-komponenten i optimeringssoftwareplatformen. Den mindste kvadratiske metode bruges til at fuldføre monteringen af responsfladen mellem batteriets maksimale temperatur opnået ved hjælp af simuleringssoftwaren og tre indgangshastigheder. Den approksimerede responsoverflademodel etableres som følger:
R2 måler regressionsligningens overordnede tilpasning og udtrykker det overordnede forhold mellem den afhængige variabel og alle uafhængige variabler. R2 er lig med forholdet mellem regressionssummen af kvadrater og den samlede sum af kvadrater, det vil sige procentdelen af variabiliteten af den afhængige variabel, som regressionsligningen kan forklare. Jo tættere værdien af R2 er på 1, desto bedre passer regressionskurven til den observerede værdi.
Fejlanalysen af beregningsresultaterne viser, at R2 er 0,93127, som vist i figur 11, hvilket viser, at andenordens polynomiumets responsoverfladeapproksimationsmodel har en god tilpasningsnøjagtighed.
I sidste ende bruges adaptiv simuleret udglødning (ASA) som optimeringsmetode til at finde optimale kombinationer af indløbshastighed. Det maksimale antal genererede designs er 10.000, antallet af designs til konvergenskontrol er 5, og konvergensepsilonen er 1,0 x 10-8. Den relative hastighed for parameterglødning, omkostningsglødning, parameterslukning og omkostningsdæmpning var den samme værdi på 1.
Den maksimale temperatur på batteripakken opnået ved optimering var 309.391420 K. Indløbenes luftstrømningshastigheder er 5,5 m / s, 5 m / s og 5,5 m / s. For at bekræfte nøjagtigheden blev den optimale sag analyseret af simuleringssoftwaren. Tabel 4 viser sammenligningen mellem resultaterne af optimerings- og simuleringsverifikationen. Det kan ses, at fejlen i batteripakkens maksimale temperatur er inden for 0,001% under tre indløbshastighedsbetingelser, hvilket indikerer, at optimeringsmetoden, der er vedtaget i dette arbejde, er effektiv og gennemførlig.
Sammenligningen af den anden batteritemperaturfordeling under de forskellige indløbshastigheder er vist i figur 12, og sammenligningen af batteripakkens temperaturfordeling før og efter optimering er vist i figur 13. Tabel 5 viser de specifikke værdier for de maksimale temperaturer og kombinationerne af luftstrømningshastigheder. Når luftstrømningshastighederne for indløb 1-3 er henholdsvis 5,5 m / s, 5,5 m / s og 5,5 m / s, er batteriets maksimale temperatur 309,426208 K. Efter optimering er luftstrømningshastigheden for indløb 1-3 5,5 m / s, 5m / s og 5,5 m / s, og batteripakkens maksimale temperatur er 309,392853 K. Det skal bemærkes, at summen af luftstrømningshastigheder i det optimerede tilfælde vist i figur 12B er mindre end summen af luftstrømningshastigheder for tilfældet vist i figur 12A. Den maksimale temperatur stiger dog ikke med faldende luftstrømshastighed. Den optimerede batteripakke sammenlignes også med den oprindelige batteripakke (dvs. luftstrømshastighederne for de tre indløb er alle 5 m / s, og batterierne er dækket af DPM). Figur 14 sammenligner flowlinjefordelingen før og efter optimering, og det kan ses, at flowlinjefordelingen efter optimering er bredere. Figur 15 sammenligner virkningerne af hver faktor på temperaturen; Faktor X1 har størst indflydelse på temperaturen. Faktorer x1 og x3 har lignende virkninger på temperaturen. Kort sagt falder den samlede luftstrømshastighed med 3%, og batteripakkens maksimale temperatur reduceres til den forventede temperatur (dvs. batteripakkens maksimale temperatur i støvfri tilstand).
Optimeringsmetoden kan i vid udstrækning bruges til at forbedre batteripakkens livscyklus med lavt energiforbrug.
Figur 1: Den tekniske køreplan. Denne figur beskriver den detaljerede simulerings- og optimeringsproces i henhold til forskningsindholdet, herunder forskningsobjekter, metoder, løsninger, modellering, simulering og optimeringssoftware. Klik her for at se en større version af denne figur.
Figur 2: En 3D-model af lithium-ion-batteripakke i et støvet miljø. 3D-modellen af LIB-pakken, som kan gemmes som en X_T-fil og importeres til simuleringssoftware for at simulere, tegnes af modelleringssoftware. Klik her for at se en større version af denne figur.
Figur 3: Gitterdiagram. (A) Denne figur viser luftdomænets gitter. (B) Denne figur viser batteridomænets gitter. (C) Denne figur viser gitteret for dpm-domænet. Klik her for at se en større version af denne figur.
Figur 4: Test af nettets uafhængighed. X-aksen er det forskellige samlede antal gitre i maskemodellen, og Y-aksen er temperatur. Klik her for at se en større version af denne figur.
Figur 5: Test af tyktflydende modeller. X-aksen er typen af viskøs model, tallet 1 repræsenterer Standard k-epsilon-modellen, tallet 2 repræsenterer RNG k-epsilon-modellen, tallet 3 repræsenterer den realiserbare k-epsilon-model, tallet 4 repræsenterer Spalart-Allmaras-modellen, Y-aksen er temperatur. Klik her for at se en større version af denne figur.
Figur 6: 3D-model af lithium-ion-batteripakke i et støvfrit miljø. 3D-modellen af LIB-pakken, som kan gemmes som en X_T-fil og importeres til simuleringssoftware for at simulere, tegnes af modelleringssoftware. Klik her for at se en større version af denne figur.
Figur 7: Analyse af parameterfølsomhed. Tallet på x-aksen repræsenterer den n'te kombination af indløbsluftstrømningshastigheder. For eksempel repræsenterer tallet 5 hastighedskombinationen (3,5,7) svarende til 3 m/s ved indløb1, 5 m/s ved indløb2, 7 m/s ved indløb3. Tilsvarende repræsenterer tallet 1,2,3,4,6 den forskellige kombination af indsugningshastigheder af henholdsvis (5,5,5), (4,5,6), (5,6,4), (5,4,6), (3,5,7), (5,3,7), (5,7,3). Y-aksen er temperatur. Klik her for at se en større version af denne figur.
Figur 8: Variation i batteripakkens temperatur ved forskellige indløbshastigheder. Figuren viser den maksimale batteripakketemperatur, der falder med stigningen i indløbsluftens strømningshastighed. X-aksen er hastigheden af luftstrømshastighedsforøgelse ved indløb. Y-aksen er temperatur. Klik her for at se en større version af denne figur.
Figur 9: Sammenligning af batteripakkens temperaturfordeling i forskellige miljøer. (A) Denne figur viser batteripakkens temperaturfordeling i støvfrie omgivelser. (B) Denne figur viser batteripakkens temperaturfordeling i støvede omgivelser, hvorfra temperaturen er højest i batteri nummer 2. Klik her for at se en større version af denne figur.
Figur 10: Sammenligning af batteritemperaturfordeling nummer 2 i forskellige miljøer. (A) Denne figur viser temperaturfordelingen af batteri nummer 2 i et støvfrit miljø. (B) Denne figur viser temperaturfordelingen af batteri nummer 2 i støvede omgivelser. Klik her for at se en større version af denne figur.
Figur 11: Fejlanalyse af overflademodel for approksimationsrespons. Figuren angiver, at kvadratisk polynomisk responsoverfladetilnærmelsesmodel har god tilpasningsnøjagtighed. Klik her for at se en større version af denne figur.
Figur 12: Sammenligning af batteritemperaturfordelingen nummer 2 under forskellige indsugningshastigheder. (A) Denne figur viser temperaturfordelingen af batteri nummer 2 ved blot at øge selve indsugningsluftstrømningshastigheden. (B) Denne figur viser temperaturfordelingen af batteri nummer 2 efter optimering af indløbsluftens hastighed. Klik her for at se en større version af denne figur.
Figur 13: Sammenligning af batteripakkens temperaturfordeling før og efter optimering. (A) Denne figur viser batteripakkens temperaturfordeling i støvede omgivelser uden optimering. (B) Denne figur viser batteripakkens temperaturfordeling i støvede omgivelser efter optimering. Klik her for at se en større version af denne figur.
Figur 14: Sammenligning af batteripakker strømliner distributionen før og efter optimering. (A) Denne figur viser den strømlinede fordeling af batteripakken i et støvet miljø uden optimering. (B) Denne figur viser den strømlinede fordeling af batteripakken i et støvet miljø efter optimering. Klik her for at se en større version af denne figur.
Figur 15: Tre faktorers indflydelse på temperaturen. (A) Denne figur viser virkningerne af x1 og x2 på temperaturen. (B) Denne figur viser virkningerne af x1 og x3 på temperaturen. Klik her for at se en større version af denne figur.
| Mediets navn | ρ/kg·m-3 | C/J· (kg· K)-1 | K/W (m·K)-1 |
| luft Materiale | 1.225 | 1006.43 | 0.0242 |
| batteri Materiale | 1958.7 | 733 | kx=3,6,ky=kz=10,8 |
| dpm Materiale | 2870 | 910 | 1.75 |
| batteriboks Materiale | 7930 | 500 | 16.3 |
Tabel 1: Materialeegenskaber. Materialeegenskaberne svarende til luft, batteri, støvede partikler og batteriboks vil blive brugt i parameterindstillingerne for simuleringssoftwaren.
| Tal | Indløb1(m/s) | Indløb2(m/s) | Indløb3(m/s) | Batteriets maksimale temperatur (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 |
Tabel 2: Analyse af parameterfølsomhed. Tabellen viser de syv kombinationer af indsugningshastigheder og den tilsvarende maksimale temperatur på batteripakken. For eksempel repræsenterer tallet 5 hastighedskombinationen (3,5,7) svarende til 3 m/s ved indløb1, 5m/s ved indløb2, 7 m/s ved indløb3 og den tilsvarende maksimale temperatur i batteripakken på 311,54599 K.
| Tal | Indløb1(m/s) | Indløb2(m/s) | Indløb3(m/s) | Batteriets maksimale temperatur (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 |
Tabel 3: Hastigheds- og temperaturarrays anvendt til kvadratisk responsoverflademodel. De forskellige luftstrømshastighedskombinationer ved indløb kan genereres tilfældigt af OLHA, og de tilsvarende maksimale temperaturer beregnes af simuleringssoftwaren.
| Navn | Indløb1(m/s) | Indløb2(m/s) | Indløb3(m/s) | Batteriets maksimale temperatur (K) |
| Optimering resultat | 5.5 | 5 | 5.5 | 309.39142 |
| Resultat af simuleringsverifikation | 5.5 | 5 | 5.5 | 309.392853 |
Tabel 4: Sammenligning mellem resultaterne af optimerings- og simuleringsverifikationen. Den passende luftstrømshastighedskombination ved indløb og tilsvarende temperatur kan opnås ved optimering, hvilket også har vist sig at være nøjagtigt ved simuleringsverifikationen.
| Navn | Indløb1(m/s) | Indløb2(m/s) | Indløb3(m/s) | Batteriets maksimale temperatur (K) |
| En | 5 | 5 | 5 | 309.412537 |
| B | 5 | 5 | 5 | 309.72049 |
| C | 5.5 | 5.5 | 5.5 | 309.426208 |
| D | 5.5 | 5 | 5.5 | 309.392853 |
Tabel 5: Sammenligninger af indsugningsluftstrømningshastighed og maksimal temperatur på batteriet under forskellige forhold. (A) Batteripakken under de normale indsugningsluftstrømningshastigheder og omgivelser med frit støv. (B) Batteripakken under de normale indsugningshastigheder og støvede omgivelser. (C) Batteripakken under indsugningsluftens strømningshastigheder øges, og støvede omgivelser støves. (D) Batteripakken under optimerede luftstrømshastigheder og støvede omgivelser.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
BTMS, der blev brugt i denne undersøgelse, blev etableret baseret på luftkølesystemet på grund af dets lave omkostninger og enkelhed i strukturen. På grund af den lave varmeoverførselskapacitet er luftkølesystemets ydeevne lavere end væskekølesystemets og faseskiftmaterialets kølesystem. Imidlertid har væskekølesystemet ulempen ved kølemiddellækage, og faseændringsmaterialekølesystemet har høj masse og lav energitæthed29. Disse kølesystemer har deres fordele og ulemper. Derfor kan BTMS etableres ved at kombinere et luftkølesystem med et væskekølesystem eller et faseskiftmaterialekølesystem for at fremme køleydelsen.
En CFD-løser blev implementeret for at simulere modellens flow- og temperaturprofil. De styrende ligninger30, såsom kontinuitet (2) og energibesparelsesligningen (3), blev anvendt til at løse det tidsafhængige termiske problem med luftstrømmen.
Hvor p, k og c er egenskaberne ved den anvendte luft, som henholdsvis er densitet, varmeledningsevne og specifik varme; T, og 
er køleluftens statiske tryk, temperatur og hastighed.
Momentum ligninger31
Hvor ui og uj er Reynolds-gennemsnitlige hastighedskomponenter; xi og xj er kartesiske koordinater; P er Reynolds-gennemsnitligt tryk; μ er dynamisk viskositet; μt er turbulent dynamisk viskositet. k er turbulent kinetisk energi; ε er turbulent kinetisk energiafledningshastighed.
Reynolds-tallet baseret på indløbsstrømningshastigheden (v = 5 m / s) og den ækvivalente diameter blev anslået til at være 0,0242308; Reynolds-tallet beregnes som 9894, hvorved der blev valgt en turbulensmodel af standard k-e-modellen.
Reynolds tal ligning32
Hvor Pl er densiteten, Vmax er væskens maksimale strømningshastighed, D er beholderens ækvivalente diameter, og ul er væskens dynamiske viskositet.
Turbulent kinetisk energi ligning33
Hvor kt og ε er henholdsvis den turbulente kinetiske energi og turbulensspredningshastigheden; uj er jth-komponenten af hastighedsvektoren, og μ og ut er henholdsvis den molekylære og turbulente dynamiske viskositet; Gkt og Gb er den turbulente kinetiske energiproduktion forårsaget af henholdsvis gennemsnitshastighed og turbulent kinetisk energiproduktion som følge af opdriftseffekter YM repræsenterer indflydelsen af den svingende dilatation ukomprimerbar turbulent til summen af spredningshastigheder; Skt er kildebetegnelse for kt; αkt er det inverse effektive Prandtl-tal for kt.
Turbulent kinetisk energiafledningsligning33
Hvor Sε er kildebetegnelsen for ε; αt er det inverse effektive Prandtl-tal for ε; C1ε , C2ε og C3ε er empiriske konstanter.
For battericellerne er energibesparelsesligningen34
Hvor Q, kb, cb; og Pb repræsenterer henholdsvis den genererede varme, varmeledningsevne, specifik varmekapacitet og densitet af batteriet.
Varmekonvektionsformel35
Hvor hf repræsenterer konvektionsvarmeoverførselskoefficient; Ts repræsenterer overfladetemperaturen for LIB'er; TB repræsenterer temperaturen i den omgivende luft; og q * repræsenterer konvektionsvarmeoverførselshastighed.
BTMS-indløbet blev indstillet til en hastigheds-indløbsgrænsetilstand på 5 m / s og temperatur på 300 K, mens systemudløbet blev konditioneret til trykudløb med det omgivende tryk indstillet til atmosfærisk tryk. Væggene omkring systemet er indstillet til naturlig konvektion.
Dette papir begyndte forskningen under forudsætning af, at strukturen af batteripakkemodellen blev bestemt, støv, der dækker batteriets overflade, vil få batteriets temperatur til at stige. Derefter præsenterer vi ASAM for at optimere en omtrentlig QRSM og opfylde temperaturfaldene tilbage gennem den optimale luftstrømshastighedskombination af systemindløb til løsning af problemet med DPM-effekt. Det skal nævnes, at placeringen af batteripakkens luftindtag og -udløb også har stor indflydelse på temperaturen på BTMS14.
Der er nogle kritiske trin i protokollen. Når du opretter 3D-modellen af batteripakken, skal du give hver krop og overflade i modellen et genkendeligt navn til efterfølgende materialetilsætningsmateriale, oprettelse af maskegrænseflade og indstilling af grænsebetingelser. Ved betjening af simuleringssoftwaren er det nødvendigt at indstille hver parameter nøjagtigt, især parameterenheden.
Med hensyn til tilpasningsmodel er fejlanalyse signifikant i responsoverflademodellering, hvis den vilkårlige fejl ikke kunne opfylde de tilsvarende acceptable standarder, skal der tilføjes flere prøvepunkter for at deltage i modeltilpasningen, indtil fejlen når de acceptable standarder. Når simuleringssoftwaren har importeret gittermodellen, skal du foretage fejlfinding af maskemodellen, klikke på Kontroller for at kontrollere, om masken har en negativ volumen. Hvis der er noget problem med det opdelte gitter eller modelindstillingerne, vises en fejlmeddelelse.
Hovedbegrænsningen ved denne undersøgelse er, at den geometriske model, der anvendes i simuleringen, er afledt ved at forenkle den realistiske batteripakkemodel, det er næsten umuligt at afspejle virkeligheden fuldt ud. I så fald er det usandsynligt, at de pålagte grænsebetingelser er i overensstemmelse med den faktiske situation. Beregningsresultaterne er også forskellige i henhold til forskellige beregningsteorier. For at lette simuleringen forenklede vi batteriets varmegenereringsmodel, batteriets gennemsnitlige varmegenereringshastighed er 20.993 kW / m3 som den interne varmekilde36,37.
Betydningen af eksisterende metoder og eventuelle fremtidige anvendelser af teknikken:
Denne protokol hjælper med at etablere en optimeringsmetode, samtidig med at man overvejer batteristyringssystemets energiforbrug og termiske ydeevne, og den kan i vid udstrækning bruges til at forbedre batteripakkens livscyklus med minimale driftsomkostninger. Denne teknik kan også bruges i mekanisk design, arkitektonisk design og andre områder.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har intet at afsløre.
Acknowledgments
Nogle analyse- og optimeringssoftware understøttes af Tsinghua University, Konkuk University, Chonnam National University, Mokpo University og Chiba University.
Materials
| Name | Company | Catalog Number | Comments |
| Ansys-Workbench | ANSYS | N/A | Multi-purpose finite element method computer design program software.https://www.ansys.com |
| Isight | Engineous Sogtware | N/A | Comprehensive computer-aided engineering software.https://www.3ds.com |
| NVIDIA GPU | NVIDIA | N/A | An NVIDIA GPU is needed as some of the software frameworks below will not work otherwise. https://www.nvidia.com |
| Software | |||
| SOLIDWORKS | Dassault Systemes | N/A | SolidWorks provides different design solutions, reduces errors in the design process, and improves product quality www.solidworks.com |
References
- Xia, G., Cao, L., Bi, G. A review on battery thermal management in electric vehicle application. Journal of Power Sources. 367 (1), 90-105 (2017).
- Mahamud, R., Park, C. Reciprocating air flow for Li-ion battery thermal management to improve temperature uniformity. Journal of Power Sources. 196 (13), 5685-5696 (2011).
- Kumar, R., Goel, V. A study on thermal management system of lithium-ion batteries for electrical vehicles: A critical review. Journal of Energy Storage. 71, 108025 (2023).
- Fan, Y., et al. Experimental study on the thermal management performance of air cooling for high energy density cylindrical lithium-ion batteries. Applied Thermal Engineering. 155, 96-109 (2019).
- Mohammadian, S. K., He, Y. L., Zhang, Y. Internal cooling of a lithium-ion battery using electrolyte as coolant through microchannels embedded inside the electrodes. Journal of Power Sources. 293, 458-466 (2015).
- Skerlos, S. J., Winebrake, J. J. Targeting plug-in hybrid electric vehicle policies to increase social benefits. Energy Policy. 38 (2), 705-708 (2010).
- Avadikyan, A., Llerena, P. A real options reasoning approach to hybrid vehicle investments. Technological Forecasting and Social Change. 77 (4), 649-661 (2010).
- Chen, K., Chen, Y., Li, Z., Yuan, F., Wang, S. Design of the cell spacings of battery pack in parallel air- cooled battery thermal management system. International Journal of Heat and Mass Transfer. 127, 393-401 (2018).
- Jiang, Z. Y., Qu, Z. G. Lithium - ion battery thermal management using heat pipe and phase change material during discharge - charge cycle: A comprehensive numerical study. Applied Energy. 242, 378-392 (2019).
- Saw, L. H., et al. Computational fluid dynamic and thermal analysis of Lithium-ion battery pack with air cooling. Applied energy. 177, 783-792 (2016).
- Park, H. A design of air flow configuration for cooling lithium - ion battery in hybrid electric vehicles. Journal of Power Sources. 239 (10), 30-36 (2013).
- Wang, Q., et al. Thermal runaway caused fire and explosion of lithium-ion battery. Journal of power sources. 208, 210-224 (2012).
- Rao, Z., Wang, S. A review of power battery thermal energy management. Renewable and Sustainable Energy Reviews. 15 (9), 4554-4571 (2011).
- Chen, K., Wu, W., Yuan, F., Chen, L., Wang, S. Cooling efficiency improvement of air-cooled battery thermal management system through designing the flow pattern. Energy. 167, 781-790 (2019).
- Lan, X., Li, X., Ji, S., Gao, C., He, Z. Design and optimization of a novel reverse layered air-cooling battery management system using U and Z type flow patterns. International Journal of Energy Research. 46 (10), 14206-14226 (2022).
- Singh, G., Wu, H. Effect of different inlet/outlet port configurations on the thermal management of prismatic Li-ion batteries. Journal of Heat Transfer. 144 (11), 112901 (2022).
- Zhang, J., Wu, X., Chen, K., Zhou, D., Song, M. Experimental and numerical studies on an efficient transient heat transfer model for air-cooled battery thermal management systems. Journal of Power Sources. 490, 229539 (2021).
- Qian, X., Xuan, D., Zhao, X., Shi, Z. Heat dissipation optimization of lithium-ion battery pack based on neural networks. Applied Thermal Engineering. 162, 114289 (2019).
- Chen, K., Wang, S., Song, M., Chen, L. Structure optimization of parallel air-cooled battery thermal management system. International Journal of Heat and Mass Transfer. 111, 943-952 (2017).
- Liu, Y., Zhang, J. Self-adapting J-type air-based battery thermal management system via model predictive control. Applied Energy. 263, 114640 (2020).
- Baveja, R., Bhattacharya, J., Panchal, S., Fraser, R., Fowler, M. Predicting temperature distribution of passively balanced battery module under realistic driving conditions through coupled equivalent circuit method and lumped heat dissipation method. Journal of Energy Storage. 70, 107967 (2023).
- Singh, L. K., Kumar, R., Gupta, A. K., Sharma, A. K., Panchal, S. Computational study on hybrid air-PCM cooling inside lithium-ion battery packs with varying number of cells. Journal of Energy Storage. 67, 107649 (2023).
- Fan, Y., et al. Multi-objective optimization design and experimental investigation for a prismatic lithium-ion battery integrated with a multi-stage Tesla valve-based cold plate. Processes. 11 (6), 1618 (2023).
- Feng, Z., et al. Optimization of the Cooling Performance of Symmetric Battery Thermal Management Systems at High Discharge Rates. Energy Fuels. 37 (11), 7990-8004 (2023).
- Talele, V., Moralı, U., Patil, M. S., Panchal, S., Mathew, K. Optimal battery preheating in critical subzero ambient condition using different preheating arrangement and advance pyro linear thermal insulation. Thermal Science and Engineering Progress. 42, 101908 (2023).
- Kenny, Q. Y., Li, W., Sudjianto, A. Algorithmic construction of optimal symmetric Latin hypercube designs. Journal of statistical planning and inference. 90 (1), 145-159 (2000).
- Oliveira Jr, H. A., Petraglia, A. Global optimization using dimensional jumping and fuzzy adaptive simulated annealing. Applied Soft Computing. 11 (6), 4175-4182 (2011).
- Ingber, L.
- Yu, X., et al. Experimental study on transient thermal characteristics of stagger-arranged lithium-ion battery pack with air cooling strategy. International Journal of Heat and Mass Transfer. 143, 118576 (2019).
- Li, W., Xiao, M., Peng, X., Garg, A., Gao, L. A surrogate thermal modeling and parametric optimization of battery pack with air cooling for EVs. Applied Thermal Engineering. 147, 90-100 (2019).
- Chen, K., Zhang, Z., Wu, B., Song, M., Wu, X. An air-cooled system with a control strategy for efficient battery thermal management. Applied Thermal Engineering. 236, 121578 (2023).
- Zhao, L., Li, W., Wang, G., Cheng, W., Chen, M. A novel thermal management system for lithium-ion battery modules combining direct liquid-cooling with forced air-cooling. Applied Thermal Engineering. 232, 120992 (2023).
- Oyewola, O. M., Awonusi, A. A., Ismail, O. S. Design optimization of Air-Cooled Li-ion battery thermal management system with Step-like divergence plenum for electric vehicles. Alexandria Engineering Journal. 71, 631-644 (2023).
- Chen, K., et al. Design of parallel air-cooled battery thermal management system through numerical study. Energies. 10 (10), 1677 (2017).
- Lyu, C., et al. A new structure optimization method for forced air-cooling system based on the simplified multi-physics model. Applied Thermal Engineering. 198, 117455 (2021).
- Zhang, W. C., Liang, Z. C., Ling, G. Z., Huang, L. S. Influence of phase change material dosage on the heat dissipation performance of the battery thermal management system. Journal of Energy Storage. 41, 102849 (2021).
- Li, M. L., Zang, M. Y., Li, C. Y., Dai, H. Y. Optimization of structure of air cooling heat dissipation for Li-ion batteries. Battery Bimonthly. 50 (3), 1001 (2020).
