Summary
여기에서는 먼지가 많은 미립자 물질로 덮인 배터리 열 관리 시스템에 해당하는 근사 QRSM(2차 응답 표면 모델)을 최적화하고 시스템 흡입구의 공기 흐름 속도 조합을 조정하여 온도 강하를 충족하기 위한 적응형 시뮬레이션 어닐링 방법(ASAM)을 제시합니다.
Abstract
본 연구는 저에너지 소비를 목표로 배터리 냉각 박스 입구의 기류 속도 할당을 통해 셀 표면을 덮고 있는 먼지가 많은 미립자 물질로 인한 셀 온도 상승 및 성능 저하 문제를 해결하는 것을 목표로 합니다. 지정된 기류 속도와 먼지가 없는 환경에서 배터리 팩의 최대 온도를 먼지가 많은 환경에서의 예상 온도로 사용합니다. 먼지가 많은 환경에서 배터리 팩의 최대 온도는 시뮬레이션 소프트웨어에서 구성된 해석 모델의 경계 조건인 다양한 입구 기류 속도에서 해결됩니다. 흡입구의 다양한 기류 속도 조합을 나타내는 어레이는 최적의 라틴 하이퍼큐브 알고리즘(OLHA)을 통해 무작위로 생성되며, 여기서 원하는 온도 이상의 온도에 해당하는 속도의 하한 및 상한이 최적화 소프트웨어에서 설정됩니다. 최적화 소프트웨어의 피팅 모듈을 사용하여 속도 조합과 최대 온도 사이의 대략적인 QRSM을 설정합니다. QRSM은 ASAM을 기반으로 최적화되며, 최적의 결과는 시뮬레이션 소프트웨어에서 얻은 해석 결과와 잘 일치합니다. 최적화 후 중간 흡입구의 유량이 5.5m/s에서 5m/s로 변경되고 총 기류 속도가 3% 감소합니다. 본 프로토콜은 이미 확립된 배터리 관리 시스템의 에너지 소비량과 열 성능을 동시에 고려한 최적화 방법을 제시하며, 최소한의 운영 비용으로 배터리 팩의 수명 주기 향상에 널리 사용될 수 있다.
Introduction
자동차 산업의 급속한 발전으로 전통적인 연료 차량은 재생 불가능한 자원을 많이 소비하여 심각한 환경 오염과 에너지 부족을 초래합니다. 가장 유망한 솔루션 중 하나는 전기 자동차(EV)1,2의 개발입니다.
EV에 사용되는 전원 배터리는 전기화학 에너지를 저장할 수 있으며, 이는 기존 연료 차량을 대체하는 열쇠입니다. EV에 사용되는 전원 배터리에는 리튬 이온 배터리(LIB), 니켈 금속 수소화물 배터리(NiMH) 및 전기 이중층 커패시터(EDLC)3가 포함됩니다. 다른 배터리에 비해 리튬 이온 배터리는 높은 에너지 밀도, 고효율 및 긴 수명 주기 4,5,6,7과 같은 장점으로 인해 현재 EV의 에너지 저장 장치로 널리 사용되고 있습니다.
그러나 화학 반응열과 줄열로 인해 급속 충전 및 고강도 방전 시 많은 양의 열이 축적되고 배터리 온도가 상승하기 쉽습니다. LIB의 이상적인 작동 온도는 20-40 °C 8,9입니다. 배터리 스트링의 배터리 간 최대 온도 차이는 5°C10,11을 초과해서는 안 됩니다. 그렇지 않으면 배터리 간의 온도 불균형, 노화 가속화, 과열, 화재, 폭발 등과 같은 일련의 위험이 발생할 수 있습니다12. 따라서 해결해야 할 중요한 문제는 좁은 시간 내에 배터리 팩의 온도와 온도 차이를 제어할 수 있는 효율적인 배터리 열 관리 시스템(BTMS)을 설계하고 최적화하는 것입니다.
일반적인 BTMS에는 공랭식, 수냉식 및 상변화 물질 냉각이 포함된다13. 이러한 냉각 방법 중에서, 공랭식은 비용이 저렴하고 구조가 단순하기 때문에 널리 사용된다(14). 공기의 제한된 비열 용량으로 인해 공랭식 시스템의 배터리 셀 간에 고온 및 큰 온도 차이가 발생하기 쉽습니다. 공랭식 BTMS의 냉각 성능을 향상시키기 위해서는 효율적인 시스템(15,16,17)을 설계할 필요가 있다. Qian et al.18은 배터리 팩의 최대 온도 및 온도 차이를 수집하여 시리즈 공랭식 배터리 팩의 셀 간격을 최적화하는 데 사용되는 해당 베이지안 신경망 모델을 훈련했습니다. Chen et al.19는 Z형 병렬 공랭식 시스템에서 입구 발산 플레넘과 출구 수렴 플레넘의 폭을 최적화하기 위해 뉴턴 방법과 유동 저항 네트워크 모델을 사용했다고 보고했습니다. 그 결과 시스템의 온도 차이가 45% 감소한 것으로 나타났습니다. Liu et al.20은 J-BTMS에서 5개 그룹의 냉각 덕트를 샘플링하고 앙상블 대리 기반 최적화 알고리즘으로 셀 간격의 최적 조합을 얻었습니다. Baveja et al.21은 패시브 밸런스 배터리 모듈을 모델링했으며, 이 연구는 모듈 수준 패시브 밸런싱에 대한 열 예측의 효과와 그 반대의 효과를 설명했습니다. Singh et al.22은 결합된 전기화학-열 모델링을 사용하여 설계된 강제 대류 공기 냉각과 함께 캡슐화된 상변화 물질을 사용하는 배터리 열 관리 시스템(BTMS)을 조사했습니다. Fan et al.23은 미세유체 응용 분야에서 높은 인식을 가진 각형 유형 리튬 이온 배터리에 더 안전한 온도 범위를 제공하기 위해 다단계 Tesla 밸브 구성으로 구성된 액체 냉각판을 제안했습니다. Feng et al. 24는 변동 계수 방법을 사용하여 입구 유량과 배터리 간극이 다른 방식을 평가했습니다. Talele et al.25는 난방 필름의 최적 배치를 기반으로 잠재적으로 생성된 열을 저장하기 위해 벽 강화 파이로 라이닝 단열재를 도입했습니다.
공냉식 BTMS를 사용하면 금속 먼지 입자, 광물 먼지 입자, 건축 자재 먼지 입자 및 외부 환경의 기타 입자가 송풍기에 의해 공냉식 BTMS로 유입되어 배터리 표면이 DPM으로 덮일 수 있습니다. 방열 계획이 없으면 지나치게 높은 배터리 온도로 인해 사고가 발생할 수 있습니다. 시뮬레이션 후 지정된 기류 속도와 먼지가 없는 환경에서 배터리 팩의 최대 온도를 먼지가 많은 환경에서의 예상 온도로 사용합니다. 첫째, C-rate는 배터리가 지정된 시간 내에 정격 용량을 방출할 때 필요한 전류 값을 나타내며, 이는 데이터 값에서 배터리 정격 용량의 배수와 같습니다. 이 논문에서 시뮬레이션은 2C 속도 방전을 사용합니다. 정격 용량은 10Ah이고 공칭 전압은 3.2V입니다. 인산철리튬(LiFePO4)은 양극 재료로 사용되며 탄소는 음극 재료로 사용됩니다. 전해질에는 전해질 리튬염, 고순도 유기용매, 필요한 첨가제 및 기타 원료가 포함되어 있습니다. OLHA를 통해 흡입구의 다양한 속도 조합을 나타내는 랜덤 어레이를 결정하고, 곡선 피팅의 정확도를 확인하는 조건으로 배터리 팩의 최대 온도와 흡입구 유속 조합 사이의 2차 함수를 설정하였다. 라틴 하이퍼큐브(LH) 설계는 McKay et al.26에 의해 제안된 이후 많은 컴퓨터 실험에 적용되었습니다. LH는 N x p-행렬 L로 주어지며, 여기서 L의 각 열은 1에서 N까지의 정수의 치환으로 구성됩니다. 본 논문에서는 계산 부담을 줄이기 위해 최적의 라틴어 하이퍼큐브 샘플링 방법을 사용한다. 이 방법은 층화 샘플링을 사용하여 샘플링 지점이 모든 샘플링 내부를 포함할 수 있도록 합니다.
다음 단계에서는 에너지 소모량을 동시에 고려한 조건에서 ASAM을 기준으로 먼지가 많은 환경에서 배터리 팩의 최대 온도를 낮추도록 입구 유속 조합을 최적화했습니다. 적응 시뮬레이션 어닐링 알고리즘은 광범위하게 개발되어 많은 최적화 문제27,28에서 널리 사용되었습니다. 이 알고리즘은 특정 확률로 최악의 해를 받아 국소 최적해에 갇히는 것을 피할 수 있습니다. 글로벌 최적해는 수용 확률과 온도를 정의하여 달성됩니다. 이 두 매개 변수를 사용하여 계산 속도를 조정할 수도 있습니다. 마지막으로, 최적화의 정확도를 확인하기 위해 최적의 결과를 시뮬레이션 소프트웨어에서 얻은 해석 결과와 비교했습니다.
본 논문에서는 더스트 커버로 인해 온도가 상승하는 배터리 팩에 대해 배터리 박스의 입구 유량에 대한 최적화 방법을 제안한다. 목적은 에너지 소비가 적은 경우 먼지로 덮인 배터리 팩의 최대 온도를 먼지로 덮이지 않은 배터리 팩의 최대 온도 이하로 낮추는 것입니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
참고: 연구 기술 로드맵은 모델링, 시뮬레이션 및 최적화 소프트웨어가 사용되는 그림 1에 나와 있습니다. 필요한 재료는 재료 목차에 나와 있습니다.
1. 3D 모델 만들기
참고: Solidworks를 사용하여 3D 모델을 만들었습니다.
- 252mm x 175mm 직사각형을 그리고 돌출 보스/베이스를 클릭한 다음 73을 입력합니다. 외부 표면에서 4mm 떨어진 곳에 새 평면을 작성합니다.
- 131mm x 16mm 직사각형을 그리고 선형 스케치 패턴을 클릭합니다. 간격과 인스턴스 수에 각각 22와 6을 입력합니다. 사각형의 네 변을 모두 선택하고 [확인]을 클릭합니다. 180 각도를 입력하고 다시 실행합니다. 이 단계는 모델 중심의 대칭을 위한 것입니다.
- 컷 돌출(Extrude Cut)을 클릭하고 65를 입력한 다음 확인(OK)을 클릭합니다. 돌출 보스/베이스(Extrude Boss/Base)를 클릭하고 65를 입력한 다음 결합 결과(Merge result)를 선택 취소하고 방향 반전(Reverse Direction)과 확인(OK)을 클릭합니다.
참고: 병합 결과를 선택하지 않으면 확장된 엔터티가 별도의 엔터티가 됩니다. 배터리 11개, 먼지가 많은 미립자 물질 11개, 공기 영역 1개 등 총 23개 부품이 있습니다. - 16mm x 1mm의 직사각형을 그립니다. 1.2단계와 1.3단계를 반복합니다.
- 63mm x 15mm의 직사각형을 그리고 직사각형의 위쪽 모서리와 선형 스케치 패턴을 클릭합니다. 21, 3 및 270을 입력하고 확인을 클릭합니다. 분할선(Split Line )과 정육면체의 면을 클릭하고 확인(OK)을 클릭합니다.
- 63mm x 15mm의 직사각형을 그립니다. 분할선(Split Line )과 정육면체의 면을 클릭하고 확인(OK)을 클릭합니다.
- 파일을 클릭하고 X_T 파일로 저장합니다.
참고 : 지정된 크기 : L상자 : 73 mm; W상자 : 252 mm; H상자 : 175 mm; Lb, Ld : 65 mm; Wb, Wd : 10 mm; Hb : 131 mm; Hd : 1 mm; Li : 63 mm; WI : 15 mm; D1, D2:5mm, D3:6mm는 그림 2에 나와 있습니다. - 도구 상자(Toolbox) > 컴포넌트 시스템(Component Systems) > 메시(Mesh)를 클릭하여 메시 컴포넌트를 프로젝트 도식 영역으로 드래그합니다. 형상(Geometry)을 클릭하여 이전에 저장한 X_T 파일을 가져옵니다.
- 메시 설계 모델러 창으로 들어가면 생성을 클릭하면 23개의 파트를 독립된 본체로 포함하는 배터리 팩 모델이 다시 표시됩니다.
- 트리 윤곽선에서 배터리의 23개 부품을 모두 배터리 부품으로, 23개 부품의 먼지가 많은 미립자 물질을 모두 먼지 부품으로, 공기 공동을 공기 부품으로 선택하여 나중에 개체를 숨기고 이름을 지정할 수 있도록 합니다.
- 먼저 BatteryPart 와 DustPart 를 마우스 오른쪽 버튼으로 클릭하고 Hide Part 를 선택하여 팝업에 공기 부분만 표시되도록 합니다.
- 마우스를 선택 도구 모음으로 이동하여 선택 필터: 바디를 선택하고 그래픽 영역의 공기 캐비티 모델을 마우스 오른쪽 버튼으로 클릭하여 명명된 선택을 선택한 다음 상세 뷰 영역에서 에어 캐비티 모델의 이름을 공기 도메인으로 바꿉니다.
- 선택 필터로 전환: 면, 마우스 오른쪽 버튼을 클릭하고 아래에서 위로 세 부분으로 분할된 표면의 이름을 inlet1, inlet2 및 inlet3으로 바꾸고, 이 세 면의 오른쪽에 있는 개별 표면의 이름은 outlet으로, 나머지 외부 표면의 이름은 각각 outerBorder로 바꿉니다.
- 선택 모드(Select Mode)를 상자 선택(Box Select)으로 전환하고, Y축을 클릭하여 상자 선택의 편의를 위해 공기 캐비티 모델의 적절한 뷰를 얻고, 상자 선택을 사용하여 모든 내부 서피스의 이름을 캐비티 서피스1에서 캐비티 서피스11로 이름을 바꾸고 번호를 매깁니다.
- batteryPart만 표시하려면 airPart 를 마우스 오른쪽 버튼으로 클릭하고 Hide Part를 선택합니다. batteryPart 를 마우스 오른쪽 버튼으로 클릭하고 팝업 바로 가기 메뉴에서 Show Part 를 선택합니다.
- 마우스를 선택 도구 모음으로 이동하여 선택 필터: 본체를 선택하고, 선택 모드를 단일 선택으로 전환하고, 그래픽 영역에서 각 배터리 모델을 마우스 오른쪽 버튼으로 클릭하여 명명된 선택을 선택하고, 상세 정보 뷰 영역에 있는 11개의 배터리 모델의 이름을 바꾸고 번호를 각각 batteryDomain1에서 batteryDomain11로 지정합니다.
- 또한 각 배터리 모델에는 6면이 있는 다음 선택 필터: 면으로 전환하고 번호가 매겨진 batteryDomains의 각 면을 마우스 오른쪽 버튼으로 클릭하여 명명된 선택을 선택하고 배터리 쪽의 방향에 따라 이름을 바꿉니다. 예를 들어, 번호가 매겨진 batteryDomain1의 6개 변의 이름을 batteryDomain1_Upper, batteryDomain1_Lower, batteryDomain1_Left, batteryDomain1_Right, batteryDomain1_Front 및 batteryDomain1_Back로 바꿉니다.
- dustPart만 표시하려면 batteryPart 를 마우스 오른쪽 버튼으로 클릭하고 Hide Part를 선택합니다. dustPart 를 마우스 오른쪽 버튼으로 클릭하고 팝업 단축 메뉴에서 Show Part 를 선택합니다.
- 마우스를 선택 도구 모음으로 이동하여 선택 필터: 본체를 선택하고, 그래픽 영역에서 각 먼지가 많은 입자상 물질 모델을 마우스 오른쪽 버튼으로 클릭하여 명명된 선택을 선택하고, 상세 정보 뷰 영역에 있는 11개의 먼지 입자상 물질 모델의 이름을 바꾸고 번호를 각각 dpmDomain1에서 dpmDomain11로 지정합니다.
- 또한 각 먼지가 많은 미립자 물질 모델에는 6면이 있습니다. 그런 다음 선택 필터: 면으로 전환하고 번호가 매겨진 dpmDomains의 각 면을 마우스 오른쪽 버튼으로 클릭하여 명명된 선택을 선택하고 먼지가 많은 입자 물질 면의 방향에 따라 이름을 바꿉니다. 예를 들어 번호가 매겨진 dpmDomain1의 6개 변의 이름을 dpmDomain1_Upper, dpmDomain1_Lower, dpmDomain1_Left, dpmDomain1_Right, dpmDomain1_Front 및 dpmDomain1_Back로 바꿉니다.
- 모든 바디를 표시하고 다시 초기 창으로 돌아갑니다.
2. 메쉬 모델 생성
참고: 유한 요소 메싱은 유한 요소 수치 시뮬레이션 해석에서 매우 중요한 단계로, 후속 수치 해석 결과의 정확도에 직접적인 영향을 미칩니다. 그런 다음 이름이 바뀐 엔티티가 메쉬됩니다.
- air 도메인, battery 도메인 및 dpm 도메인을 독립적으로 메시하려면 Toolbox > Component Systems > Mesh에서 두 개의 메시 부품을 프로젝트 회로도 영역으로 다시 드래그하고 각각 airFEM, batteryFEM 및 dpmFEM으로 이름을 바꿉니다. 마우스 왼쪽 버튼으로 airFEM > 지오메트리를 누른 상태에서 batteryFEM > 지오메트리로 드래그합니다.
- 그런 다음 마우스 왼쪽 버튼으로 batteryFEM > 지오메트리 를 잡고 dpmFEM > 지오메트리로 드래그합니다. 세 개의 메쉬 컴포넌트 중 라인(Lines )을 마우스 오른쪽 버튼으로 클릭하고 삭제(Delete )를 선택하여 서로 연관을 해제합니다.
- airFEM의 메시를 두 번 클릭하고, 메시 창으로 들어가 batteryPart 및 dustPart를 마우스 오른쪽 버튼으로 클릭하여 본체 억제를 선택하고, 물리적 기본 설정을 기계에서 CFD로 변경합니다. 업데이트를 클릭하여 면 크기 조정 2mm와 본체 크기 조정 4mm를 통해 FEM 공기 도메인 모델을 생성하고 초기 창으로 돌아갑니다.
- batteryFEM의 메쉬를 두 번 클릭하고, 메쉬 창으로 들어가 airPart 및 dustPart를 마우스 오른쪽 버튼으로 클릭하여 본체 억제를 선택하고, 물리적 기본 설정을 Mechanical에서 CFD로 변경합니다. 업데이트를 클릭하여 본체 크기 2mm를 통해 FEM 배터리 도메인 모델을 생성하고 초기 창으로 돌아갑니다.
- dpmFEM의 메쉬를 두 번 클릭하고, 메쉬 창으로 들어가 airPart 및 batteryPart를 마우스 오른쪽 버튼으로 클릭하여 본체 억제를 선택하고, 물리적 기본 설정을 Mechanical에서 CFD로 변경합니다. Update(업데이트)를 클릭하여 본체 크기 2mm를 통해 FEM dpm 도메인 모델을 생성하고 초기 창으로 돌아갑니다.
참고: 그림 3A 는 에어 도메인의 그리드를 보여주고, 그림 3B 는 배터리 도메인의 그리드를 보여주며, 그림 3C 는 dpm 도메인의 그리드를 보여줍니다. - 에어 그리드의 최소 크기를 4mm로, 배터리 및 먼지가 많은 미립자 그리드의 최소 크기를 2mm로 설정합니다. 그리드가 솔루션 독립적인지 확인하고, 그리드의 최소 셀 크기를 변경하고, 그리드 민감도 스터디를 수행합니다.
알림: 그림 4에서 볼 수 있듯이 그리드 수가 519343에서 1053849로 증가함에 따라 최대 배터리 온도 변화는 0.6K 미만입니다. 계산 능력과 정확도를 고려하여 다음 분석은 그리드가 931189 그리드가 있는 그리드 모델을 기반으로 합니다.
3. 시뮬레이션 분석
- Toolbox > 해석 시스템 > Fluid Flow에서 Fluid Flow를 프로젝트 도식 영역으로 끌어옵니다. 마우스 왼쪽 버튼으로 airFEM > 메시를 누른 다음 batteryFEM > 메시 및 dpmFEM > 메시를 누르고 Fluid Flow > 설정으로 드래그합니다. Fluid Flow > 설정을 마우스 오른쪽 버튼으로 클릭하고 업데이트를 선택하여 설정 창으로 들어갑니다.
- FEM 모델의 유효성을 확인하고 메시에 음수 볼륨이 있는지 확인합니다. 소프트웨어는 자동으로 모델의 부피를 제안하며 합리적인 모델 값은 양수입니다. 분할된 그리드 또는 모델 설정에 문제가 있는 경우 오류 메시지가 나타납니다.
- 열 전달 모델에서 에너지 방정식을 활성화합니다. 점성 모형과 방사 모형의 설정 인터페이스로 들어가 K-엡실론 모형 과 이산 세로좌표 모형을 선택합니다.
참고: 그림 5에서 볼 수 있듯이 4개의 점성 모델을 비교하면 Spalart-Allmaras 모델의 계산 결과는 다른 모델의 계산 결과와 상당히 다릅니다. 표준 K-엡실론 모델의 결과는 다른 K-엡실론 모델의 결과와 같습니다. 안정성과 경제성이 더 높은 표준 K-epsilon 모델이 널리 사용됩니다. 다음 분석은 표준 K-엡실론 모형을 기반으로 합니다. - 표 1을 기준으로 공기 재료, 배터리 재료, dpm 재료 및 배터리 상자 재료에 대해 서로 다른 속성을 가진 새 재료를 설정합니다.
알림: 배터리 팩 내부에는 공기는 유체이고 나머지는 고체의 세 가지 물리적 재료가 있습니다. 다음으로 재질을 설정합니다.- 번호가 매겨진 배터리 도메인의 유체 유형을 솔리드 유형으로 변경하고 각 배터리 도메인을 두 번 클릭하여 솔리드 창에서 dpm 재질을 배터리 재질로 변경합니다. 그런 다음 소스 용어 항목을 선택하고 강조 표시된 소스 용어를 클릭하여 에너지원 수에 숫자를 할당하고 상수 유형을 선택하여 209993 w/m3 값을 입력하여 에너지원을 추가합니다.
- 번호가 매겨진 dpm 도메인의 유체 유형을 솔리드 유형으로 변경합니다.
- 다음으로, 아래 설명과 같이 실제 설정 유량 및 열 전달 계수에 따라 여러 영역의 시뮬레이션 계산을 위한 인터페이스를 설정합니다.
- 공기 영역의 내부 표면과 배터리 영역의 모든 면, dpm 영역을 포함하여 이름이 바뀐 모든 표면의 유형을 기본 벽에서 인터페이스로 변환합니다. 위의 단계가 성공적으로 완료되면 메시 인터페이스가 즉시 생성됩니다.
- Mesh Interfaces(메시 인터페이스)를 클릭하고 Create/Edit Mesh Interfaces(메시 인터페이스 생성/편집) 창으로 들어갑니다. 캐비티 표면을 배터리 도메인의 위쪽과 dpm domian의 아래쪽을 제외한 모든 면에 맞춥니다. 그런 다음 각각 interface1에서 interface11로 이름을 지정하고 번호를 매깁니다. 따라서 11개의 메시 인터페이스는 air 도메인과 battery domian, dpm 도메인 간에 생성할 수 있습니다.
- 배터리 도메인의 위쪽과 dpm 도메인의 아래쪽을 일치시킵니다. 그런 다음 각각 interface12에서 interface22로 이름을 지정하고 번호를 매깁니다. 그런 다음 배터리 도메인과 dpm 도메인 사이에 11개의 메시 인터페이스가 생성됩니다.
- 혼합 열 조건에서 열 전달 계수를 5로 설정하고 해당 재질을 기본 알루미늄에서 이전에 자체 정의한 배터리 상자 재질로 변경하여 외부 외곽선의 표면을 벽 열 경계 조건으로 지정합니다.
- 속도 입구 창에서 모든 입구의 공기 흐름 속도를 5m/s로 설정하고 압력 출구 창에서 출구의 게이지 압력을 0으로 설정합니다.
- 다음으로, 초기 수렴 프로세스에 영향을 미치는 초기 온도 300K와 같은 초기 순간에 컴퓨팅 도메인의 상태를 설정합니다.
- 초기화하기 전에 솔루션 초기화 유형을 표준 초기화로 설정합니다.
- 반복 횟수를 2000으로 설정합니다.
- 계산(Calculate) 을 클릭하여 시뮬레이션합니다. 시뮬레이션이 완료될 때까지 초기 창으로 돌아갑니다.
- 위 부분은 배터리 팩 내부의 온도와 풍속에 대한 시뮬레이션 계산을 완료한 후 시뮬레이션 결과를 Result에 표시합니다. 표시된 결과에서 다음 단계를 수행합니다.
- Fluid Flow > 결과를 두 번 클릭하여 CFD 게시 창으로 들어간 다음 도구 상자에서 Contour 아이콘을 클릭합니다.
- 위치 선택기에서 배터리의 모든 면을 선택하고 압력을 온도로 변경합니다. 그런 다음 적용 을 클릭하여 배터리의 온도 윤곽을 생성합니다.
- File(파일) > Export(내보내기)를 클릭하여 선택한 변수의 온도를 선택합니다. 위치의 드롭다운 버튼을 클릭하여 모든 배터리 도메인을 선택해야 하는 위치 선택기 창을 팝업합니다. 딸깍 하는 소리 OK 그리고 저장 버튼을 눌러 종료합니다.
알림: 모든 배터리의 메쉬 노드 온도에 해당하는 데이터가 있는 스프레드시트는 저장 버튼을 클릭하면 자동으로 저장됩니다. - 스프레드시트를 열어 모든 공기 유입구의 5m/s에서 먼지가 많은 환경에서 배터리의 최대 온도를 나타내는 최대값을 찾습니다.
- 자유 먼지 상태에서 배터리의 최대 온도를 예상 온도로 구하고 먼지가 많은 상태에서의 최대 온도와 비교합니다. 결과는 전체 온도가 상승하는 것을 보여줍니다.
알림: 먼지가 없는 환경에서 배터리의 최대 온도를 얻으려면 그림 6 에 표시된 새 배터리 팩 모델을 다시 설정하고 1.1-3.4.3단계를 모두 반복해야 합니다. - 배터리 팩 내부의 최대 온도를 낮추려면 흡입구의 공기 흐름 속도를 5m/s에서 6m/s로 설정하고 5% 증가시킨 다음 먼지로 덮인 배터리의 해당 최대 온도를 계산하십시오.
알림: 기류 속도 매개변수의 민감도 분석은 매개변수 값을 변경하기 전에 미리 잘 수행되어야 합니다. 그림 7 과 표 2에서 볼 수 있듯이 서로 다른 입구 기류 속도 조합의 7개 그룹 각각에 대해 동일한 총 유량을 유지했습니다. 기류 속도 할당의 차이로 인해 최대 온도에는 여전히 명백한 변화가 있습니다. 즉, 기류 속도 조합과 최대 온도 사이에는 강한 상관 관계가 있습니다. 따라서 이러한 속도 매개변수를 설계 변수로 사용할 수 있습니다. - 그림 8과 같이 온도-속도 곡선을 플로팅하며, 여기서 빨간색 선은 기류 속도가 증가함에 따라 온도 특성 곡선이 감소함을 나타내고 파란색 선은 예상 온도를 나타냅니다.
- 기류 속도를 10% 증가시킵니다. 속도 증가가 10% 이상일 때 최대 온도는 이미 예상 온도보다 낮지만 이는 낮은 에너지 소비의 목적을 충족하지 못합니다. 남은 공기 유량에 대해 최적화를 통해 배터리 팩의 최대 온도를 예상 온도로 낮추어 낮은 에너지 소비 목표를 달성하십시오.
4. 최적의 라틴어 하이퍼큐브 샘플링 및 응답 표면 모델링
알림: 5m/s-5.5m/s의 유지 유량에 대해 samples는 이 유량 범위 내에서 다양한 유량 조합을 구성하기 위해 선택됩니다. 속도 조합은 최대 온도를 얻기 위해 시뮬레이션됩니다. 속도와 최대 온도의 함수를 구성합니다.
- 비어 있는 새 스프레드시트를 열어 첫 번째 열의 행 이름이 inlet1, inlet2 및 inlet3인 테이블을 만들고 파일을 sampling.xlsx로 저장합니다.
- 최적화 소프트웨어를 실행하고 스프레드시트 아이콘을 작업 1의 단일 화살표로 드래그합니다. 그런 다음 스프레드시트 아이콘을 두 번 클릭하여 구성 요소 편집기-Excel 창을 팝업합니다.
- 찾아보기 버튼을 클릭하여 sampling.xlsx 가져오고 이 매핑 추가를 클릭하여 inlet1, inlet2 및 inlet3을 A1, A2 및 A3에 매개변수로 매핑합니다. 확인 버튼을 클릭하여 초기 창으로 돌아갑니다.
- DOE 아이콘을 Task1로 드래그하고 두 번 클릭하여 컴포넌트 편집기-DOE 창을 팝업합니다. OptimOKal Latin Hypercube를 선택하고 일반 창에서 점 수를 15로 설정합니다.
- 요인 윈도우로 전환하고 A1, A2 및 A3에 대해 5.5를 상한으로, 5를 하한으로 설정합니다.
- 행렬 설계 창으로 전환하고 생성을 클릭하여 서로 다른 입구 속도에 대응하는 랜덤 샘플링 점을 생성합니다. 최적화 소프트웨어를 종료합니다.
- 무작위 샘플링 포인트의 속도 조합 배열을 다시 계산하고 3.5.5-3.7.5단계를 반복하여 배터리의 최대 온도로 구성된 해당 온도 배열을 얻습니다.
- 표 3과 같이 속도 조합 배열의 예측 변수 x1, x2, x3과 온도 배열의 y를 결합하여 새로운 변수 테이블을 만들고 sample.txt 파일로 저장합니다. 반응 표면 모형에 맞게 파일을 가져옵니다.
- 최적화 소프트웨어를 다시 실행하고 근사치 아이콘을 Task1의 단일 화살표로 끕니다. Task1 아이콘을 두 번 클릭하여 성분 편집기 근사 창을 팝업하고 반응 표면 모형을 선택합니다.
- 데이터 파일 창으로 전환하고 예측 변수가 포함된 sample.txt 파일을 가져옵니다.
- 파라미터 창으로 전환하고 스캔을 클릭하여 데이터 파일 창에서 파라미터를 열고, 여기서 x1, x2, x3의 예측 변수는 입력으로, y는 출력으로 정의됩니다.
- 기법 옵션 창으로 전환하고 다항식 순서로 2차를 선택합니다. 오류 분석 옵션 창으로 전환하고 오류 분석 방법에서 교차 검증을 선택합니다.
- 데이터 보기 창으로 전환하고 지금 초기화를 클릭하여 2차 선형 회귀 방정식의 계수를 구합니다.
- 오류 분석 버튼을 클릭하면 근사 오류 분석 창이 팝업되어 오류가 각 오류 유형에 대해 허용 가능한 표준을 충족할 수 있는지 확인합니다. 근사 구성 요소 창을 닫습니다. 임의 오차가 대응되는 허용 가능한 표준을 충족할 수 없는 경우 모델 피팅에 참여할 샘플 점을 더 추가합니다.
5. 적응 형 시뮬레이션 어닐링 알고리즘 기반 근사 피팅 모델
알림: 다음으로 소프트웨어와 알고리즘을 사용하여 대략적인 모델의 최적 값을 찾습니다
- 최적화 아이콘을 Task1로 드래그하고 두 번 클릭하여 구성 요소 편집기 최적화 창을 팝업합니다. 최적화 기법에서 ASA(Adaptive Simulated Annealing)를 선택합니다.
- 변수 창으로 전환하여 5.5를 상한으로, 5를 하한으로 설정합니다.
- Objectives 창으로 전환하고 Y 매개변수를 선택한 후 컴포넌트 편집기 최적화 창을 닫습니다.
- 최적화 실행 버튼을 클릭하고 최적화 결과를 기다립니다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
프로토콜에 따라 배터리 팩의 최대 온도를 얻기 위해 모델링, 메싱 및 시뮬레이션을 포함하는 처음 세 부분이 가장 중요합니다. 그런 다음 샘플링을 통해 기류 속도를 조정하고 마지막으로 최적화를 통해 최적의 유량 조합을 얻습니다.
그림 9는 다양한 환경에서의 배터리 팩 온도 분포 비교를 보여주고, 그림 10 은 다양한 환경에서의 두 번째 배터리 온도 분포를 비교한 것입니다. 도 9 및 도 10에서 볼 수 있듯이 DPM(Dusty Particulate Matter)의 낮은 열전도율로 인해 먼지가 많은 상태에서 배터리의 온도가 일정 수준으로 상승합니다.
배터리 온도 분포를 조정하려면 입구의 공기 흐름 속도를 5m/s에서 6m/s로 설정하고 먼지가 많은 모델에서 5% 증가시키고 각 공기 흐름 속도에서 최대 온도를 얻습니다. 공기 흐름 속도가 15% 및 20% 증가하면 그림 8과 같이 먼지가 없는 상태에서 배터리 팩의 최대 온도가 먼지가 없는 상태에서 배터리 팩의 최대 온도 아래로 떨어졌습니다. 에너지 소비를 고려하여 최대 흡입 속도를 5.5m/s(10% 증가)로 설정하여 먼지가 많은 상태에서 배터리 팩의 최대 온도를 낮춥니다.
2차 QRSM을 설정할 때 최소 샘플 수는 (N + 1) x (N + 2)/2로 계산되며, 여기서 N은 검정 변수의 수입니다. 이 항목에는 입구 속도인 세 가지 설계 변수가 있으며 최소 샘플 수는 10개입니다. 피팅 정확도가 높은 반응 표면 모델을 구축하기 위해 최적화 소프트웨어 플랫폼의 DOE 구성 요소를 사용하여 15개의 샘플을 선택했습니다. 최소 제곱법은 시뮬레이션 소프트웨어로 얻은 배터리 팩의 최대 온도와 3개의 입구 속도 사이의 반응 표면 피팅을 완료하는 데 사용됩니다. 근사 반응 표면 모형은 다음과 같이 설정됩니다.
R2은 회귀 방정식의 전체 적합치를 측정하고 종속변수와 모든 독립변수 간의 전체 관계를 표현합니다. R2은 총 제곱합에 대한 회귀 제곱합, 즉 회귀 방정식으로 설명할 수 있는 종속 변수의 변동성 백분율과 같습니다. R2 값이 1에 가까울수록 회귀 곡선이 관측 값에 더 잘 맞습니다.
계산 결과의 오차 분석은 그림 11과 같이 R2이 0.93127임을 보여주며, 이는 2차 다항식 응답 곡면 근사 모델의 피팅 정확도가 양호하다는 것을 보여줍니다.
결국 ASA(Adaptive Simulated Annealing)는 최적의 입구 유속 조합을 찾기 위한 최적화 방법으로 사용됩니다. 생성된 설계의 최대 개수는 10,000개, 수렴 검사를 위한 설계 수는 5개, 수렴 엡실론은 1.0 x 10-8입니다. 파라미터 어닐링, 비용 어닐링, 파라미터 담금질 및 비용 담금질의 상대 비율은 1의 동일한 값이었습니다.
최적화를 통해 얻은 배터리 팩의 최대 온도는 309.391420K였습니다. 입구의 공기 흐름 속도는 5.5m/s, 5m/s 및 5.5m/s입니다. 정확도를 확인하기 위해 시뮬레이션 소프트웨어로 최적의 케이스를 분석했습니다. 표 4 는 최적화와 시뮬레이션 검증 결과의 비교를 나타낸 것이다. 배터리 팩의 최대 온도 오차는 3개의 입구 기류 속도 조건에서 0.001% 이내임을 알 수 있으며, 이는 본 연구에서 채택한 최적화 방법이 효과적이고 실현 가능함을 나타냅니다.
서로 다른 입구 공기 흐름 속도에서 두 번째 배터리 온도 분포를 비교한 것은 그림 12에 나와 있고 최적화 전후의 배터리 팩 온도 분포 비교는 그림 13에 나와 있습니다. 표 5 는 최대 온도의 특정 값과 기류 속도의 조합을 보여줍니다. 흡입구 1-3의 공기 흐름 속도가 각각 5.5m/s, 5.5m/s 및 5.5m/s일 때 배터리 팩의 최대 온도는 309.426208K입니다. 최적화 후 흡입구 1-3의 기류 속도는 5.5m/s, 5m/s 및 5.5m/s이고 배터리 팩의 최대 온도는 309.392853K입니다. 그림 12B 에 표시된 최적화된 케이스의 기류 속도의 합은 그림 12A에 표시된 케이스의 기류 속도의 합보다 작다는 점에 유의해야 합니다. 그러나 최대 온도는 기류 속도가 감소해도 증가하지 않습니다. 또한 최적화된 배터리 팩을 초기 배터리 팩과 비교합니다(즉, 3개 흡입구의 공기 흐름 속도가 모두 5m/s이고 배터리는 DPM으로 덮여 있음). 도 14 는 최적화 전과 후의 유동선 분포를 비교한 것으로, 최적화 후의 유동선 분포가 더 넓음을 알 수 있다. 그림 15 는 온도에 대한 각 요인의 영향을 비교합니다. 요인 x1은 온도에 가장 큰 영향을 미칩니다. 요인 x1과 x3은 온도에 유사한 영향을 미칩니다. 한마디로 총 기류 속도가 3% 감소하고 배터리 팩의 최대 온도가 예상 온도(즉, 먼지가 없는 상태에서 배터리 팩의 최대 온도)로 감소합니다.
최적화 방법은 낮은 에너지 소비로 배터리 팩의 수명 주기를 개선하는 데 널리 사용될 수 있습니다.
그림 1: 기술 로드맵. 이 그림은 연구 대상, 방법, 솔루션, 모델링, 시뮬레이션 및 최적화 소프트웨어를 포함하여 연구 내용에 따른 세부 시뮬레이션 및 최적화 프로세스를 설명합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 2: 먼지가 많은 환경에서 리튬 이온 배터리 팩의 3D 모델. X_T 파일로 저장하고 시뮬레이션 소프트웨어로 가져와 시뮬레이션할 수 있는 LIB 팩의 3D 모델은 모델링 소프트웨어로 그려집니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 3: 그리드 다이어그램. (A) 이 그림은 공기 영역의 그리드를 보여줍니다. (B) 이 그림은 배터리 도메인의 그리드를 보여줍니다. (C) 이 그림은 dpm 도메인의 그리드를 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 4: 그리드 독립성 테스트. X축은 메쉬 모델의 서로 다른 총 그리드 수이고 Y축은 온도입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 5: 점성 모델 테스트. X축은 점성 모델의 유형, 숫자 1은 표준 k-엡실론 모델, 숫자 2는 RNG k-epsilon 모델, 숫자 3은 실현 가능한 k-epsilon 모델, 숫자 4는 Spalart-Allmaras 모델, Y축은 온도를 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 6: 먼지가 없는 환경에서 리튬 이온 배터리 팩의 3D 모형. X_T 파일로 저장하고 시뮬레이션 소프트웨어로 가져와 시뮬레이션할 수 있는 LIB 팩의 3D 모델은 모델링 소프트웨어로 그려집니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 7: 파라미터 민감도 분석. x축의 숫자는 입구 공기 흐름 속도의 n번째 조합을 나타냅니다. 예를 들어, 숫자 5는 유입구1에서 3m/s, 유입구2에서 5m/s, 유입구3에서 7m/s에 해당하는 속도 조합(3,5,7)을 나타냅니다. 마찬가지로 숫자 1,2,3,4,6은 각각 (5,5,5), (4,5,6), (5,6,4), (5,4,6), (3,5,7), (5,3,7), (5,7,3)의 서로 다른 입구 공기 흐름 속도 조합을 나타냅니다. Y축은 온도입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 8: 다양한 흡입구 공기 흐름 속도에서의 배터리 팩 온도 변화. 그림은 입구 공기 흐름 속도가 증가함에 따라 감소하는 최대 배터리 팩 온도를 보여줍니다. x축은 입구에서 기류 속도가 증가하는 비율입니다. Y축은 온도입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 9: 다양한 환경에서의 배터리 팩 온도 분포 비교. (A) 이 그림은 먼지가 없는 환경에서 배터리 팩의 온도 분포를 보여줍니다. (B) 이 그림은 먼지가 많은 환경에서 배터리 팩의 온도 분포를 보여주며, 그 중 2번 배터리에서 온도가 가장 높습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 10: 다양한 환경에서의 2번 배터리 온도 분포 비교. (A) 이 그림은 먼지가 없는 환경에서 2번 배터리의 온도 분포를 보여줍니다. (B) 이 그림은 먼지가 많은 환경에서 2번 배터리의 온도 분포를 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 11: 근사 반응 표면 모델의 오류 분석. 이 그림은 2차 다항식 반응 곡면 근사 모형의 피팅 정확도가 양호하다는 것을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 12: 다양한 흡입구 공기 흐름 속도에서 2번 배터리 온도 분포 비교. (A) 이 그림은 입구 기류 속도 자체를 증가시킨 2번 배터리의 온도 분포를 보여줍니다. (B) 이 그림은 입구 기류 속도를 최적화한 후 2번 배터리의 온도 분포를 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 13: 최적화 전과 후의 배터리 팩 온도 분포 비교. (A) 이 그림은 최적화 없이 먼지가 많은 환경에서 배터리 팩의 온도 분포를 보여줍니다. (B) 이 그림은 최적화 후 먼지가 많은 환경에서 배터리 팩의 온도 분포를 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 14: 최적화 전후의 배터리 팩 합리화 분포 비교. (A) 이 그림은 최적화 없이 먼지가 많은 환경에서 배터리 팩의 간소화된 분배를 보여줍니다. (B) 이 그림은 최적화 후 먼지가 많은 환경에서 배터리 팩의 간소화된 분포를 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 15: 온도에 대한 세 가지 요인의 영향. (A) 이 그림은 x1 및 x2가 온도에 미치는 영향을 보여줍니다. (B) 이 그림은 온도에 대한 x1 및 x3의 영향을 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
| 매체 이름 | ρ/kg·m-3 | C/J· (kg· K)-1 | K/W (m·K)-1 |
| 공기 재질 | 1.225 | 1006.43 | 0.0242 |
| 배터리 재질 | 1958.7 | 733 | kx=3.6,ky=kz=10.8 |
| dpm 재료 | 2870 | 910 | 1.75 |
| 배터리 박스 재질 | 7930 | 500 | 16.3 |
표 1: 재료 특성. 공기, 배터리, 먼지가 많은 미립자 물질 및 배터리 상자에 해당하는 재료 특성은 시뮬레이션 소프트웨어의 매개변수 설정에 사용됩니다.
| 수 | 입구1(m/s) | 인레트2 (m/s) | 인레트3 (m/s) | 배터리 팩의 최대 온도(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 |
표 2: 파라미터 민감도 분석. 표는 입구 공기 흐름 속도와 배터리 팩의 해당 최대 온도의 7가지 조합을 보여줍니다. 예를 들어, 숫자 5는 입구에서 3m/s, 입구에서 5m/s, 입구에서 2m/s, 입구에서 7m/s, 해당 배터리 팩 최대 온도 311.54599K에 해당하는 속도 조합(3,5,7)을 나타냅니다.
| 수 | 입구1(m/s) | 인레트2 (m/s) | 인레트3 (m/s) | 배터리 팩의 최대 온도(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 |
표 3: 2차 반응 표면 모델에 사용되는 속도 및 온도 배열. 입구의 다양한 기류 속도 조합은 OLHA에 의해 무작위로 생성될 수 있으며 해당 최대 온도는 시뮬레이션 소프트웨어에 의해 계산됩니다.
| 이름 | 입구1(m/s) | 인레트2 (m/s) | 인레트3 (m/s) | 배터리 팩의 최대 온도(K) |
| 최적화 결과 | 5.5 | 5 | 5.5 | 309.39142 |
| 시뮬레이션 검증 결과 | 5.5 | 5 | 5.5 | 309.392853 |
표 4: 최적화와 시뮬레이션 검증 결과의 비교. 입구와 해당 온도에서 적절한 기류 속도 조합은 최적화를 통해 얻을 수 있으며, 이는 시뮬레이션 검증을 통해 정확한 것으로 입증되었습니다.
| 이름 | 입구1(m/s) | 인레트2 (m/s) | 인레트3 (m/s) | 배터리 팩의 최대 온도(K) |
| A | 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 |
표 5: 다양한 조건에서 배터리 팩의 흡입구 공기 흐름 속도와 최대 온도 비교. (A) 정상적인 입구 공기 흐름 속도 및 먼지가 없는 환경의 배터리 팩. (B) 정상적인 입구 공기 흐름 속도 및 먼지가 많은 환경의 배터리 팩. (C) 입구 아래의 배터리 팩이 공기 흐름 속도를 높이고 먼지가 많은 환경. (D) 최적화된 기류 속도와 먼지가 많은 환경에서의 배터리 팩.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
본 연구에서 사용된 BTMS는 공랭식 시스템을 기반으로 구축되었으며, 이는 비용이 저렴하고 구조가 단순하기 때문이다. 열 전달 용량이 낮기 때문에 공냉식 시스템의 성능은 액체 냉각 시스템 및 상변화 재료 냉각 시스템보다 낮습니다. 그러나, 액체 냉각 시스템은 냉매 누출의 단점이 있고, 상변화 물질 냉각 시스템은 질량이 높고 에너지 밀도가 낮다(29). 이러한 냉각 시스템에는 장점과 단점이 있습니다. 따라서, BTMS는 냉각 성능을 높이기 위해 공랭 시스템과 액체 냉각 시스템 또는 상변화 물질 냉각 시스템을 결합하여 설정할 수 있습니다.
모형의 흐름 및 온도 프로파일을 시뮬레이션하기 위해 CFD 솔버가 구현되었습니다. 연속성 (2) 및 에너지 보존 방정식 (3)과 같은 지배 방정식30은 공기 흐름의 시간 의존적 열 문제를 해결하기 위해 사용되었습니다.
여기서 p, k 및 c 는 각각 밀도, 열전도율 및 비열인 사용된 공기의 특성입니다. T이고, 
는 냉각 공기의 정압, 온도 및 속도입니다.
운동량 방정식31
여기서 ui 및 uj 는 레이놀즈 평균 속도 성분입니다. xi 및 xj는 데카르트 좌표입니다. P는 레이놀즈 평균 압력입니다. μ 동적 점도입니다. μ t는 난류 동적 점도입니다. k는 난류 운동 에너지입니다. ε는 난류 운동 에너지 소산율입니다.
입구 유속(v=5m/s)과 등가 직경을 기반으로 한 레이놀즈 수는 0.0242308로 추정되었습니다. 레이놀즈 수는 9894로 계산되므로 표준 K-E 모델의 난류 모델이 선택되었습니다.
레이놀즈 수 수식32
여기서 PL은 밀도, Vmax 는 액체의 최대 유속, D는 용기의 등가 직경, UL은 액체의 동적 점도입니다.
난류 운동 에너지 방정식33
여기서 kt와 ε는 각각 난류 운동 에너지와 난류 소산율입니다. UJ 는 속도 벡터의 j 번째 성분이고 μ 및 UT는 각각 분자 및 난류 동적 점도입니다. Gkt 및 G b는 각각 평균 속도에 의해 발생하는 난류 운동 에너지 생성과 부력 효과의 결과로 발생하는 난류 운동 에너지 생성입니다. YM은 소산 속도의 합에 대한 변동 팽창 비압축성 난류의 영향을 나타냅니다. Skt는 kt의 소스 용어입니다. αkt는 kt에 대한 역 유효 프란틀 수입니다.
난류 운동 에너지 손실 방정식33
여기서 Sε 는 ε의 소스 용어입니다. αt는 ε에 대한 역 유효 프란틀 수입니다. C1ε , C2ε 및 C3ε 는 경험상수입니다.
배터리 셀의 경우, 에너지 보존 방정식34
여기서 Q, kb, cb; 및 P b는 각각 배터리의 생성된 열, 열전도율, 비열 용량 및 밀도를 나타냅니다.
열 대류 공식35
여기서 hf는 대류 열 전달 계수를 나타냅니다. TS 는 LIB의 표면 온도를 나타냅니다. TB는 주변 공기의 온도를 나타냅니다. Q*는 대류 열 전달 속도를 나타냅니다.
BTMS의 입구는 5m/s의 속도-입구 경계 조건과 300K의 온도로 설정되었으며, 시스템 출구는 주변 압력이 대기압으로 설정된 압력-출구로 조절되었습니다. 시스템 주변의 벽은 자연 대류를 위해 설정됩니다.
본 논문은 배터리팩 모델의 구조가 결정된 상태에서 연구를 시작했으며, 배터리 표면을 덮고 있는 먼지는 배터리의 온도를 상승시킨다. 그런 다음 DPM 효과 문제를 해결하기 위해 시스템 흡입구의 최적 공기 흐름 속도 조합을 통해 대략적인 QRSM을 최적화하고 온도 강하를 다시 충족하기 위해 ASAM을 제시합니다. 배터리 팩의 공기 흡입구와 배출구의 위치도 BTMS14의 온도에 큰 영향을 미친다는 점을 언급해야 합니다.
프로토콜에는 몇 가지 중요한 단계가 있습니다. 배터리 팩의 3D 모델을 생성할 때 모델의 각 본체와 표면에 후속 재료 추가, 메쉬 인터페이스 생성 및 경계 조건 설정에 대해 인식할 수 있는 이름을 지정합니다. 시뮬레이션 소프트웨어를 작동할 때 각 매개변수, 특히 매개변수의 단위를 정확하게 설정해야 합니다.
피팅 모델의 관점에서 오류 분석은 응답 표면 모델링에서 중요하며, 임의의 오류가 해당 허용 가능한 표준을 충족할 수 없는 경우 오류가 허용 가능한 표준에 도달할 때까지 모델 피팅에 참여하기 위해 더 많은 샘플 포인트를 추가해야 합니다. 시뮬레이션 소프트웨어가 그리드 모델을 가져온 후 메쉬 모델의 문제를 해결하고 확인을 클릭하여 메쉬에 음수 볼륨이 있는지 확인합니다. 분할된 그리드나 모델 설정에 문제가 있으면 오류 메시지가 나타납니다.
본 연구의 가장 큰 한계는 시뮬레이션에 사용된 기하학적 모델이 사실적인 배터리 팩 모델을 단순화하여 도출되어 현실을 완전히 반영하는 것이 거의 불가능하다는 점이다. 그러면 부과된 경계 조건이 실제 상황과 일치하지 않을 수 있습니다. 계산 이론에 따라 계산 결과도 다릅니다. 시뮬레이션을 용이하게 하기 위해 배터리의 발열 모델을 단순화했으며 배터리의 평균 발열률은 내부열원으로 20.993kW/m336,37입니다.
기존 방법 및 기술의 향후 적용에 관한 중요성 :
이 프로토콜은 배터리 관리 시스템의 에너지 소비와 열 성능을 동시에 고려하면서 최적화 방법을 수립하는 데 도움이 되며 최소한의 운영 비용으로 배터리 팩의 수명 주기를 개선하는 데 널리 사용될 수 있습니다. 이 기술은 기계 설계, 건축 설계 및 기타 분야에서도 사용할 수 있습니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 공개할 것이 없습니다.
Acknowledgments
일부 분석 및 최적화 소프트웨어는 칭화대학교, 건국대학교, 전남대학교, 목포대학교, 치바대학교에서 지원합니다.
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).
