Summary
В данной работе мы представляем метод адаптивного имитации отжига (ASAM) для оптимизации приближенной квадратичной модели поверхности отклика (QRSM), соответствующей системе управления теплом батареи, покрытой пылью и твердыми частицами, и для компенсации обратного падения температуры путем регулировки комбинации скоростей воздушного потока на входах в систему.
Abstract
Данное исследование направлено на решение проблемы повышения температуры ячейки и снижения производительности, вызванной пылевыми твердыми частицами, покрывающими поверхность ячейки, путем распределения скоростей воздушного потока на входах в блок охлаждения батареи с целью низкого энергопотребления. Мы принимаем максимальную температуру аккумуляторной батареи при заданной скорости воздушного потока и беспыльной среде в качестве ожидаемой температуры в пыльной среде. Максимальная температура аккумуляторной батареи в запыленной среде решается при различных скоростях входного воздушного потока, которые являются граничными условиями расчетной модели, построенной в программном обеспечении моделирования. Массивы, представляющие различные комбинации скоростей воздушного потока на входах, генерируются случайным образом с помощью алгоритма оптимального латинского гиперкуба (OLHA), где в оптимизирующем программном обеспечении задаются нижний и верхний пределы скоростей, соответствующие температурам выше желаемой температуры. Мы устанавливаем приблизительный QRSM между комбинацией скоростей и максимальной температурой с помощью модуля фитинга программного обеспечения для оптимизации. QRSM оптимизируется на основе ASAM, и оптимальный результат хорошо согласуется с результатом анализа, полученным программным обеспечением для моделирования. После оптимизации скорость потока среднего входного отверстия изменяется с 5,5 м/с до 5 м/с, а общая скорость воздушного потока снижается на 3%. Протокол представляет собой метод оптимизации, одновременно учитывающий энергопотребление и тепловые характеристики системы управления батареями, которая была создана, и он может широко использоваться для улучшения жизненного цикла аккумуляторной батареи с минимальными эксплуатационными затратами.
Introduction
С быстрым развитием автомобильной промышленности транспортные средства на традиционном топливе потребляют много невозобновляемых ресурсов, что приводит к серьезному загрязнению окружающей среды и нехватке энергии. Одним из наиболее перспективных решений является разработка электромобилей (EV)1,2.
Силовые батареи, используемые в электромобилях, могут накапливать электрохимическую энергию, что является ключом к замене транспортных средств на традиционном топливе. Силовые аккумуляторы, используемые в электромобилях, включают литий-ионный аккумулятор (LIB), никель-металлгидридный аккумулятор (NiMH) и электрический двухслойный конденсатор (EDLC)3. По сравнению с другими батареями, литий-ионные батареи в настоящее время широко используются в качестве накопителей энергии в электромобилях благодаря своим преимуществам, таким как высокая плотность энергии, высокая эффективность и длительный срок службы 4,5,6,7.
Однако из-за тепла химической реакции и джоулева тепла легко накапливать большое количество тепла и повышать температуру аккумулятора во время быстрой зарядки и высокоинтенсивной разрядки. Идеальная рабочая температура ЛИА составляет 20-40 °C 8,9. Максимальная разница температур между батареями в аккумуляторной колонне не должна превышать 5 °C10,11. В противном случае это может привести к ряду рисков, таких как температурный дисбаланс между батареями, ускоренное старение, даже перегрев, возгорание, взрыви так далее. Таким образом, критически важным вопросом, который необходимо решить, является проектирование и оптимизация эффективной системы управления температурным режимом батареи (BTMS), которая может контролировать температуру и разницу температур аккумуляторной батареи в узком диапазоне.
Типичные BTMS включают воздушное охлаждение, водяное охлаждение и охлаждение материала с фазовым переходом13. Среди этих способов охлаждения широко используется воздушный тип охлаждения из-за его дешевизны и простоты конструкции14. Из-за ограниченной удельной теплоемкости воздуха в системах с воздушным охлаждением легко возникают высокие температуры и большие перепады температур между аккумуляторными элементами. Для повышения эффективности охлаждения БТМС с воздушным охлаждением необходимо спроектировать эффективную систему 15,16,17. Qian et al.18 собрали максимальную температуру аккумуляторного блока и разность температур для обучения соответствующей байесовской модели нейронной сети, которая используется для оптимизации расстояния между ячейками последовательного аккумуляторного блока с воздушным охлаждением. Chen et al.19 сообщили об использовании метода Ньютона и модели сети сопротивления потоку для оптимизации ширины входной и выходной камер конвергенции в Z-образной параллельной системе с воздушным охлаждением. Результаты показали снижение разницы температур системы на 45%. Liu et al.20 отобрали пять групп охлаждающих каналов в J-BTMS и получили наилучшую комбинацию интервалов между ячейками с помощью алгоритма оптимизации на основе ансамблевых суррогатов. Baveja et al.21 смоделировали пассивно сбалансированный аккумуляторный модуль, и в исследовании описано влияние теплового прогнозирования на пассивную балансировку на уровне модуля и наоборот. Singh et al.22 исследовали систему терморегулирования батареи (BTMS), в которой использовался инкапсулированный материал с фазовым переходом и принудительное конвективное воздушное охлаждение, разработанная с использованием сопряженного электрохимико-термического моделирования. Fan et al.23 предложили пластину жидкостного охлаждения с многоступенчатой конфигурацией клапана Тесла, чтобы обеспечить более безопасный температурный диапазон для литий-ионного аккумулятора призматического типа с высокой узнаваемостью в микрофлюидных приложениях. Feng et al. 24 использовали метод коэффициента вариации для оценки схем с различными расходами на входе и зазорами между батареями. Talele et al.25 представили усиленную стеной пироизоляцию для хранения потенциального тепла на основе оптимального размещения нагревательных пленок.
При использовании BTMS с воздушным охлаждением частицы металлической пыли, частицы минеральной пыли, частицы пыли строительных материалов и другие частицы во внешней среде будут приноситься воздуходувкой в BTMS с воздушным охлаждением, что может привести к покрытию поверхности батарей DPM. Если нет плана отвода тепла, это может привести к несчастным случаям из-за чрезмерно высокой температуры аккумулятора. После моделирования мы принимаем максимальную температуру аккумуляторной батареи при заданной скорости воздушного потока и отсутствии пыли в качестве ожидаемой температуры в пыльной среде. Во-первых, C-rate относится к текущему значению, необходимому, когда батарея высвобождает свою номинальную емкость в течение указанного времени, которое равно кратному номинальной емкости батареи в значении данных. В данной работе в моделировании используется скорость разряда 2C. Номинальная емкость составляет 10 Ач, а номинальное напряжение — 3,2 В. В качестве материала положительного электрода используется литий-железо-фосфат (LiFePO4), а в качестве материала отрицательного электрода — углерод. В состав электролита входит литиевая соль, органический растворитель высокой чистоты, необходимые добавки и другое сырье. С помощью OLHA была определена случайная решетка, представляющая различные комбинации скоростей на входах, и настроена функция 2-го порядка между максимальной температурой аккумуляторной батареи и комбинацией скоростей потока на входе при условии проверки точности подгонки кривой. Конструкции латинского гиперкуба (LH) применялись во многих компьютерных экспериментах с тех пор, как они были предложены McKay et al.26. LH задается N x p-матрицей L, где каждый столбец L состоит из перестановки целых чисел от 1 до N. В данной работе для снижения вычислительной нагрузки используется оптимальный метод выборки латинского гиперкуба. В этом методе используется стратифицированная выборка, чтобы гарантировать, что точки отбора проб могут охватить все внутренние компоненты отбора проб.
На следующем этапе была оптимизирована комбинация скоростей потока на входе для снижения максимальной температуры аккумуляторной батареи в пыльной среде на основе ASAM при условии одновременного учета энергопотребления. Алгоритм адаптивного имитационного отжига был широко разработан и широко используется во многих задачах оптимизации27,28. Этот алгоритм может избежать попадания в ловушку локального оптимума, приняв наихудшее решение с определенной вероятностью. Глобальный оптимум достигается путем определения вероятности принятия и температуры; Скорость вычисления также можно регулировать с помощью этих двух параметров. Наконец, для проверки точности оптимизации был проведен сравнение оптимального результата с результатом анализа, полученным с помощью программного обеспечения для моделирования.
В данной работе предложен метод оптимизации расхода на входе в аккумуляторный ящик для аккумуляторной батареи, температура которой повышается из-за пылезащитного кожуха. Цель состоит в том, чтобы снизить максимальную температуру запыленного аккумуляторного блока до уровня ниже максимальной температуры непокрытого пылью аккумуляторного блока в случае низкого энергопотребления.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
ПРИМЕЧАНИЕ: На рисунке 1 показана дорожная карта исследовательских технологий, где используется программное обеспечение для моделирования, симуляции и оптимизации. Необходимые материалы приведены в Таблице материалов.
1. Создание 3D-модели
ПРИМЕЧАНИЕ: Для создания 3D-модели мы использовали Solidworks.
- Нарисуйте прямоугольник размером 252 мм x 175 мм, выберите Вытягивание бобышки/основания и введите 73. Создайте новую плоскость на расстоянии 4 мм от наружной поверхности.
- Нарисуйте прямоугольник размером 131 мм x 16 мм и нажмите кнопку Линейный эскизный образец (Linear Sketch Pattern). Введите 22 и 6 в интервале и количестве экземпляров соответственно. Выделите все четыре стороны прямоугольника и нажмите кнопку ОК. Введите 180 в поле Угол и запустите его снова. Этот шаг предназначен для симметрии в центре модели.
- Нажмите кнопку "Выдавить вырез", введите 65 и нажмите кнопку "ОК". Нажмите кнопку "Выдавливание бобышки/основания" и введите 65, снимите отметку "Результат слияния" и нажмите "Изменить направление" и кнопку "ОК".
ПРИМЕЧАНИЕ: Если результат слияния не отмечен, растянутый объект становится отдельным объектом. Всего 23 детали, в том числе 11 батарей, 11 пылевых твердых частиц и 1 воздушный домен. - Нарисуйте прямоугольник 16 мм х 1 мм. Повторите шаги 1.2 и 1.3.
- Нарисуйте прямоугольник размером 63 мм x 15 мм, щелкните верхний край прямоугольника и выберите Линейный эскизный узор. Введите 21, 3 и 270 и нажмите кнопку ОК. Щелкните Разбить линию и грань куба, нажмите кнопку ОК.
- Нарисуйте прямоугольник 63 мм х 15 мм. Щелкните Разбить линию и грань куба, нажмите кнопку ОК.
- Нажмите «Файл» и сохраните его как X_T файл.
ПРИМЕЧАНИЕ: Указанный размер: коробка L: 73 мм; Ш-бокс: 252 мм; H коробка: 175 мм; Lb, Ld: 65 мм; ШБ, ШГ: 10 мм; Hb: 131 мм; Вd: 1 мм; Li: 63 мм; Ширина: 15 мм; d1, d2:5 мм, d3:6 мм показано на рисунке 2. - Перетащите компонент сетки, щелкнув Панель инструментов > Component Systems > Mesh в зону схемы проекта. Импортируйте ранее сохраненный файл X_T, нажав кнопку Геометрия.
- Войдите в окно конструктора расчета сетки, и модель аккумуляторной батареи, включающая 23 детали в качестве независимых тел, снова отобразится при нажатии кнопки Создать.
- Выберите все 23 части батареи в качестве новой детали, названной как часть батареи, все пылевые частицы из 23 частей в качестве пылевой части, а воздушная полость как воздушная часть, в контуре дерева для удобства последующего скрытия и именования объектов.
- Сначала щелкните правой кнопкой мыши на BatteryPart и DustPart и выберите Hide Part , чтобы во всплывающем окне отображалась только воздушная часть.
- Переместите курсор мыши на панель инструментов выбора, чтобы выбрать Фильтр выбора: Тела, щелкните правой кнопкой мыши по модели воздушной полости в графической зоне, чтобы выбрать Именованную выборку, и переименуйте модель воздушной полости в зоне просмотра деталей в воздушную область.
- Переключитесь на Фильтр выбора: Грани, щелкните правой кнопкой мыши и переименуйте поверхность, которая была разделена на три части, снизу вверх, как inlet1, inlet2 и inlet3, отдельная поверхность справа от этих трех граней называется outlet, оставшаяся внешняя поверхность называется outerBorder, соответственно.
- Переключите режим выбора в режим Box Select, щелкните по оси Y , чтобы получить подходящий вид модели воздушной полости для удобства выбора коробки, переименуйте и пронумеруйте все внутренние поверхности от поверхности полости1 до поверхности полости11 с помощью выбора рамки.
- Чтобы отобразить только batteryPart, щелкните правой кнопкой мыши airPart и выберите Hide Part. Щелкните правой кнопкой мыши batteryPart и выберите Show Part во всплывающем контекстном меню.
- Переместите курсор мыши на панель инструментов выбора, чтобы выбрать Фильтр выбора: Тела, переключите режим выбора на Одиночный выбор, щелкните правой кнопкой мыши на Each Battery Model в зоне Graphics, чтобы выбрать Named Selection, переименуйте и пронумеруйте 11 моделей батарей в зоне просмотра details как batteryDomain1 на batteryDomain11 соответственно.
- Кроме того, каждая модель батареи имеет шесть сторон, затем переключитесь на Фильтр выбора: Грани, щелкните правой кнопкой мыши на каждой стороне Numbered batteryDomains , чтобы выбрать Named Selection и переименовать их в соответствии с ориентацией стороны батареи. Например, переименуйте шесть сторон пронумерованного batteryDomain1 в batteryDomain1_Upper, batteryDomain1_Lower, batteryDomain1_Left, batteryDomain1_Right, batteryDomain1_Front и batteryDomain1_Back.
- Чтобы отобразить только dustPart, щелкните правой кнопкой мыши batteryPart и выберите Hide Part. Щелкните правой кнопкой мыши dustPart и выберите Show Part во всплывающем контекстном меню.
- Переместите курсор мыши на панель инструментов выбора, чтобы выбрать Фильтр выборки: Тела, щелкните правой кнопкой мыши каждую модель пылевых частиц в области Графика, чтобы выбрать Именованную выборку, переименуйте и пронумеруйте 11 моделей пылевых твердых частиц в зоне просмотра деталей как dpmDomain1 до dpmDomain11 соответственно.
- Кроме того, каждая модель пылевых твердых частиц имеет шесть сторон; затем переключитесь на Фильтр выбора: Грани, щелкните правой кнопкой мыши на Each Side of the Numbered dpmDomains , чтобы выбрать Named Selection и переименовать их в соответствии с ориентацией стороны пыльных частиц. Например, переименуйте шесть сторон пронумерованного dpmDomain1 в dpmDomain1_Upper, dpmDomain1_Lower, dpmDomain1_Left, dpmDomain1_Right, dpmDomain1_Front и dpmDomain1_Back.
- Показать все тела и снова вернуться в исходное окно.
2. Сгенерируйте сетчатую модель
ПРИМЕЧАНИЕ: Построение конечно-элементной сетки является очень важным этапом в анализе численного моделирования методом конечных элементов, который напрямую влияет на точность последующих результатов численного анализа. Затем переименованные объекты объединяются в сетку.
- Для того, чтобы создать сетку для домена воздуха, домена батареи и домена dpm независимо друг от друга, перетащите два компонента Mesh из Toolbox > Component Systems > Mesh в зону схемы проекта и переименуйте их в airFEM, batteryFEM и dpmFEM соответственно. Зажмите airFEM > Geometry левой кнопкой мыши и перетащите его на batteryFEM > Geometry.
- Далее удерживаем batteryFEM > Geometry левой кнопкой мыши и перетаскиваем его в dpmFEM > Geometry. Щелкните правой кнопкой мыши на линиях между тремя компонентами сетки и выберите Удалить , чтобы отсоединить их друг от друга.
- Дважды щёлкните по airFEM's Mesh, войдите в окно построения сетки, щелкните правой кнопкой мыши batteryPart и dustPart , чтобы выбрать Suppress Body, и измените физическую настройку с механической на CFD. Сгенерируйте модель воздушной области МКЭ с размером грани 2 мм и размером тела 4 мм, нажав кнопку Обновить и вернувшись в исходное окно.
- Дважды щёлкните мышью batteryFEM, войдите в окно построения сетки, щелкните правой кнопкой мыши airPart и dustPart , чтобы выбрать Suppress Body, и измените физическую настройку с Mechanical на CFD. Сгенерируйте модель домена батареи МКЭ через корпус размером 2 мм, нажав кнопку Обновить и вернувшись в исходное окно.
- Дважды щёлкните по кнопке Сетка dpmFEM, войдите в окно построения сетки, щелкните правой кнопкой мыши airPart и batteryPart , чтобы выбрать Suppress Body, и измените физическую настройку с Mechanical на CFD. Сгенерируйте модель предметной области МКЭ через тело размером 2 мм, нажав кнопку Обновить, вернитесь в исходное окно.
ПРИМЕЧАНИЕ: На рисунке 3A показана сетка воздушного домена, на рисунке 3B показана сетка домена батареи, а на рисунке 3C показана сетка домена dpm. - Установите минимальный размер воздушной решетки на 4 мм и минимальный размер решетки батареи и пылевых твердых частиц на 2 мм. Убедитесь, что сетка не зависит от решения, измените минимальный размер ячейки сетки и выполните исследование чувствительности сетки.
ПРИМЕЧАНИЕ: Как показано на рисунке 4, при увеличении количества сеток от 519343 до 1053849 максимальные изменения температуры батареи составляют менее 0,6 К. Учитывая вычислительные возможности и точность, следующий анализ основан на модели сетки с 931189 сетками.
3. Имитационный анализ
- Перетащите Fluid Flow from Toolbox > Analysis Systems > Fluid Flow в зону схемы проекта. Удерживайте airFEM > Mesh, затем batteryFEM > Mesh и dpmFEM > Mesh левой кнопкой мыши и перетащите их в Fluid Flow > Setup. Щелкните правой кнопкой мыши Fluid Flow > Setup (Настройка потока жидкости ) и выберите Update (Обновить ), чтобы открыть окно настройки.
- Проверьте правильность модели МКЭ и проверьте, имеет ли сетка отрицательный объем. Программное обеспечение автоматически подсказывает объем модели, и разумное значение модели является положительным. Если есть какие-либо проблемы с разделенной сеткой или настройками модели, появится сообщение об ошибке.
- Активация уравнения энергии в моделях теплопередачи. Войдите в интерфейс настройки вязкой модели и модели излучения и выберите K-эпсилон-модель и модель дискретных ординат.
ПРИМЕЧАНИЕ: Как показано на рисунке 5, при сравнении четырех вязких моделей результаты расчета модели Спаларта-Аллмараса значительно отличаются от результатов расчетов других моделей. Результаты стандартной K-эпсилон-модели аналогичны результатам других K-эпсилон-моделей. Широко используется стандартная модель K-epsilon с более высокой стабильностью и экономичностью; Следующий анализ основан на стандартной модели K-эпсилона. - Задайте новые материалы с различными атрибутами для материала воздуха, материала батареи, материала dpm и материала батарейного ящика в соответствии с таблицей 1.
ПРИМЕЧАНИЕ: Внутри аккумуляторной батареи находятся три различных физических материала: воздух в виде жидкости и остальное в виде твердого тела. Далее настраиваем материал.- Измените тип жидкости пронумерованных доменов батареи на тип Твердое тело , а материал dpm на материал батареи в окне Твердое тело, дважды щелкнув каждый домен батареи. Затем выберите элемент «Исходные термины » и щелкните выделенные «Исходные термины », чтобы добавить источник энергии, назначив номер в числе источников энергии и выбрав «Тип константы » для ввода значения 209993 Вт/м3.
- Измените тип жидкости для пронумерованных доменов dpm на тип Solid .
- Затем настройте интерфейс для моделирования расчета нескольких различных областей в соответствии с фактическим заданным расходом и коэффициентом теплопередачи, как описано ниже.
- Преобразуйте тип всех переименованных поверхностей, включая внутренние поверхности воздушного домена и все стороны доменов батареи, а также доменов dpm из стены по умолчанию в интерфейс. Как только описанные выше шаги будут успешно завершены, сетчатые интерфейсы будут сгенерированы немедленно.
- Щёлкните по кнопке Mesh Interfaces (Mesh Interfaces ) и войдите в окно Create/Edit Mesh Interfaces (Создать/Редактировать интерфейсы сетки ). Совместите поверхности полостей со всех сторон, кроме верхних сторон доменов батареи и нижних сторон домена dpm. Затем назовите и пронумеруйте их как interface1 to interface11 соответственно. Таким образом, 11 mesh-интерфейсов могут быть созданы между доменами air и battery, а также доменами dpm.
- Сопоставьте верхние и нижние стороны доменов батареи. Затем назовите и пронумеруйте их как interface12 to interface22 соответственно. Затем создаются 11 сетчатых интерфейсов между доменами батареи и доменами dpm.
- Назначьте поверхность внешней границы в качестве теплового граничного условия стены, установив коэффициент теплопередачи равным 5 в смешанном тепловом режиме и изменив его материал с алюминия по умолчанию на ранее самоопределенный материал батарейного отсека.
- Установите скорость воздушного потока на всех входах равную 5 м/с в окне скорости на входе и избыточное давление на выходе равны нулю в окне выхода давления.
- Далее зададим состояние вычислительной области в начальный момент, например, начальную температуру 300 К, которая будет влиять на процесс вычислительной сходимости.
- Перед инициализацией установите тип инициализации решения в качестве стандартной инициализации.
- Задайте количество итераций равным 2000.
- Нажмите кнопку Рассчитать, чтобы выполнить моделирование. Возвращайтесь к начальному окну, пока моделирование не будет завершено.
- Приведенная выше часть завершает расчет температуры и скорости воздуха внутри аккумуляторной батареи, а затем отображает результат моделирования в Result. Выполните следующие действия в отображаемых результатах.
- Дважды щелкните Fluid Flow > Results , чтобы войти в окно поста CFD, затем щелкните значок Contour на панели инструментов.
- Выберите «Все стороны батарей» в селекторе местоположения и измените давление на температуру. Затем нажмите кнопку Применить, чтобы создать контур температуры батарей.
- Нажмите кнопку Файл > Экспорт, чтобы выбрать температуру выбранных переменных. Нажмите кнопку «Раскрывающийся список» рядом с местоположениями, чтобы открыть окно выбора местоположения, в котором должны быть выбраны все домены батареи. Нажмите кнопку «ОК» и «Сохранить», чтобы выйти.
ПРИМЕЧАНИЕ: Электронная таблица, данные которой соответствуют температурам всех узлов сетки батарей, будет сохранена автоматически при нажатии кнопки сохранения. - Откройте электронную таблицу, чтобы найти максимальное значение, которое указывает максимальную температуру батарей в пыльной среде при 5 м/с от всех входных отверстий воздушного потока.
- Получите максимальную температуру батарей в состоянии свободной пыли в качестве ожидаемой температуры и сравните ее с максимальной температурой в пылевидном состоянии; Результат показывает повышение температуры в целом.
ПРИМЕЧАНИЕ: Для получения максимальной температуры батарей в беспыльной среде необходимо заново установить новую модель аккумуляторной батареи, показанную на рисунке 6 , и повторить все шаги 1.1-3.4.3. - Для того, чтобы снизить максимальную температуру внутри аккумуляторной батареи, установите скорости воздушного потока на входах от 5 м/с до 6 м/с, увеличьте на 5% и рассчитайте соответствующие максимальные температуры покрытых пылью батарей.
ПРИМЕЧАНИЕ: Анализ чувствительности параметров скорости воздушного потока должен быть выполнен заблаговременно, прежде чем изменять значения параметров. Как показано на рисунке 7 и в таблице 2, мы сохранили один и тот же общий расход для каждой из семи групп различных комбинаций скоростей воздушного потока на входе. По-прежнему существует очевидное изменение максимальной температуры из-за разницы в распределении скорости воздушного потока. Другими словами, существует сильная корреляция между комбинацией скоростей воздушного потока и максимальной температурой. Таким образом, эти параметры скорости могут быть использованы в качестве проектных переменных. - Постройте кривую зависимости температуры от скорости, как показано на рисунке 8, где красная линия показывает, что кривая температурных характеристик уменьшается с увеличением скорости воздушного потока, а синяя линия представляет ожидаемую температуру.
- Поддерживайте увеличение скорости воздушного потока на 10%. Когда приращение скорости составляет более 10%, максимальная температура уже ниже ожидаемой температуры, но это не соответствует цели низкого энергопотребления. Для остаточного расхода воздуха уменьшите максимальную температуру аккумуляторной батареи до ожидаемой температуры за счет оптимизации, тем самым достигнув цели низкого энергопотребления.
4. Оптимальная выборка латинского гиперкуба и моделирование поверхности отклика
ПРИМЕЧАНИЕ: Для остаточных скоростей потока от 5 м/с до 5,5 м/с отбор образцов для построения различных комбинаций расхода в пределах этого диапазона расхода. Комбинации скоростей моделируются для получения максимальной температуры. Постройте функцию скорости и максимальной температуры.
- Откройте новую пустую электронную таблицу, чтобы создать таблицу, строки которой в первом столбце будут называться inlet1, inlet2 и inlet3, и сохраните файл как sampling.xlsx.
- Запустите программу оптимизации и перетащите значок электронной таблицы на одну стрелку задачи 1. Затем дважды щелкните по значку Spreadsheet , чтобы открыть окно Component Editor-Excel.
- Импортируйте sampling.xlsx, нажав кнопку Обзор , и сопоставьте inlet1, inlet2 и inlet3 с параметрами A1, A2 и A3, щелкнув Добавить это сопоставление. Нажмите кнопку ОК , чтобы вернуться в исходное окно.
- Перетащите значок DOE в Task1 и дважды щелкните по нему, чтобы открыть окно Component Editor-DOE. Выберите гиперкуб OptimOKal Latin и установите Количество точек равным 15 в окне Общие.
- Переключитесь в окно Коэффициенты (Factors ) и установите 5.5 в качестве верхнего предела и 5 в качестве нижнего предела для A1, A2 и A3.
- Переключитесь в окно Design Matrix и нажмите кнопку Generate, чтобы сгенерировать случайные точки выборки, соответствующие различным скоростям на входе. Выключите программное обеспечение для оптимизации.
- Возьмем массивы комбинаций скоростей случайных точек выборки назад для вычисления и повторим шаги 3.5.5-3.7.5, чтобы получить соответствующий массив температур, состоящий из максимальных температур батарей.
- Объедините переменные-предикторы x1, x2 и x3 массивов комбинаций скоростей и y массивов температур, чтобы сформировать новую таблицу переменных, как показано в таблице 3, и сохраните ее в виде файла sample.txt. Импортируйте файл в соответствии с моделью поверхности ответа.
- Перезапустите программу оптимизации и перетащите значок Аппроксимация на одну стрелку Task1. Дважды щелкните по значку Task1 , чтобы открыть окно аппроксимации редактора компонентов для выбора модели поверхности отклика.
- Перейдите в окно Файл данных и импортируйте sample.txt файл, содержащий прогнозируемые переменные.
- Переключитесь в окно Параметры (Parameters ) и нажмите кнопку Сканировать (Scan ), чтобы открыть параметры в окне файла данных, где переменные-предикторы x1, x2 и x3 определены в качестве входных данных и y в качестве выходных.
- Переключитесь в окно Technique Options и выберите Quadratic в полиномиальном порядке. Перейдите в окно Параметры анализа ошибок (Error Analysis Options ) и выберите Перекрестная проверка (Cross-Validation) в методе анализа ошибок.
- Перейдите в окно View Data и нажмите кнопку Initialize Now , чтобы получить коэффициенты уравнения квадратичной линейной регрессии.
- Нажмите кнопку Error Analysis (Анализ ошибок ), чтобы открыть окно анализа ошибок аппроксимации, чтобы проверить, соответствуют ли ошибки допустимым стандартам для каждого типа ошибок. Закройте окно компонента аппроксимации. Если произвольная ошибка не удовлетворяет соответствующим допустимым стандартам, добавьте дополнительные опорные точки для участия в аппроксимации модели.
5. Адаптивная моделируемая модель аппроксимации на основе алгоритма отжига
ПРИМЕЧАНИЕ: Далее используется программное обеспечение и алгоритм для нахождения оптимального значения приближенной модели
- Перетащите иконку Optimization в Task1 и дважды щелкните по ней, чтобы открыть окно оптимизации редактора компонентов. Выберите адаптивный имитированный отжиг (ASA) в методике оптимизации.
- Переключитесь в окно Переменные , чтобы установить 5.5 в качестве верхнего предела и 5 в качестве нижнего предела.
- Переключитесь в окно Objectives и выберите параметр Y перед закрытием окна оптимизации редактора компонентов.
- Нажмите кнопку Запустить оптимизацию и дождитесь результата оптимизации.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
В соответствии с протоколом, первые три части являются наиболее важными, которые включают в себя моделирование, построение сетки и симуляцию, все для того, чтобы получить максимальную температуру аккумуляторной батареи. Затем скорость воздушного потока регулируется путем отбора проб и, наконец, оптимальная комбинация расхода получается путем оптимизации.
На рисунке 9 показано сравнение распределения температуры аккумуляторной батареи в различных средах, а на рисунке 10 показано сравнение распределения температуры второй батареи в различных средах. Как показано на рисунке 9 и рисунке 10, температура батареи в пылевом состоянии повышена до определенного уровня из-за низкой теплопроводности ДПМ (пылевых твердых частиц).
Для того, чтобы отрегулировать распределение температуры батареи, установите скорости воздушного потока на входах от 5 м/с до 6 м/с, увеличьте на 5% при пыльной модели и получите максимальные температуры при каждой скорости воздушного потока. При увеличении скорости воздушного потока на 15% и 20% максимальная температура аккумуляторной батареи в пылевом состоянии упала ниже максимальной температуры аккумуляторной батареи в состоянии свободной пыли, как показано на рисунке 8. Учитывая энергопотребление, максимальная скорость на входе установлена на уровне 5,5 м/с (увеличена на 10%) для снижения максимальной температуры аккумуляторной батареи в запыленном состоянии.
При установлении квадратичного QRSM минимальное число выборок вычисляется по формуле (N + 1) x (N + 2)/2, где N — количество тестовых переменных. В этой статье есть три расчетные переменные, а именно скорости на входе и минимальное количество образцов — 10. Для создания модели поверхности отклика с высокой точностью аппроксимации было отобрано 15 образцов с использованием компонента DOE программной платформы оптимизации. Метод наименьших квадратов используется для завершения подгонки поверхности отклика между максимальной температурой аккумуляторной батареи, полученной с помощью программного обеспечения для моделирования, и тремя скоростями на входе. Аппроксимированная модель поверхности отклика устанавливается следующим образом:
R2 измеряет общую аппроксимацию уравнения регрессии и выражает общую связь между зависимой переменной и всеми независимыми переменными. R2 равно отношению суммы квадратов регрессии к общей сумме квадратов, то есть проценту изменчивости зависимой переменной, который может объяснить уравнение регрессии. Чем ближе значение R2 к 1, тем лучше подгонка кривой регрессии к наблюдаемому значению.
Анализ ошибок результатов расчета показывает, что R2 равен 0,93127, как показано на рисунке 11, что показывает, что аппроксимационная модель полиномиальной поверхности отклика второго порядка имеет хорошую точность аппроксимации.
В конце концов, адаптивный имитированный отжиг (ASA) используется в качестве метода оптимизации для нахождения оптимальных комбинаций скоростей потока на входе. Максимальное количество сгенерированных конструкций — 10 000, количество расчетов для проверки сходимости — 5, а эпсилон сходимости — 1,0 x 10-8. Относительная скорость параметрического отжига, стоимостного отжига, параметрической закалки и стоимостной закалки была одинаковой величиной 1.
Максимальная температура аккумуляторной батареи, полученная оптимизацией, составила 309,391420 К. Скорость воздушного потока на входе составляет 5,5 м/с, 5 м/с и 5,5 м/с. Для подтверждения точности оптимальный случай был проанализирован с помощью программного обеспечения для моделирования. В таблице 4 приведено сравнение результатов оптимизации и верификации моделирования. Видно, что погрешность максимальной температуры аккумуляторной батареи находится в пределах 0,001% при трех условиях скоростей входного воздушного потока, что свидетельствует о том, что метод оптимизации, принятый в данной работе, является эффективным и осуществимым.
На рисунке 12 показано сравнение распределения температуры второй батареи при различных скоростях входного воздушного потока, а на рисунке 13 — сравнение распределения температуры аккумуляторной батареи до и после оптимизации. В таблице 5 приведены конкретные значения максимальных температур и комбинаций скоростей воздушного потока. При скоростях воздушного потока на входах 1-3 5,5 м/с, 5,5 м/с и 5,5 м/с соответственно максимальная температура аккумуляторной батареи составляет 309,426208 К. После оптимизации скорость воздушного потока на входах 1-3 составляет 5,5 м/с, 5 м/с и 5,5 м/с, а максимальная температура аккумуляторной батареи составляет 309,392853 К. Следует отметить, что сумма скоростей воздушного потока оптимизированного случая, показанного на рисунке 12Б , меньше, чем сумма скоростей воздушного потока случая, показанного на рисунке 12А. Однако максимальная температура не увеличивается с уменьшением скорости воздушного потока. Кроме того, оптимизированный аккумуляторный блок сравнивается с исходным аккумуляторным блоком (то есть скорость воздушного потока всех трех входов составляет 5 м/с, а батареи покрыты DPM). На рисунке 14 сравнивается распределение линии потока до и после оптимизации, и видно, что распределение линии потока после оптимизации шире. На рисунке 15 сравнивается влияние каждого фактора на температуру; Фактор Х1 оказывает наибольшее влияние на температуру. Факторы x1 и x3 оказывают схожее влияние на температуру. Одним словом, общая скорость воздушного потока уменьшается на 3%, а максимальная температура аккумуляторной батареи снижается до ожидаемой температуры (то есть максимальной температуры аккумуляторного блока в беспыльном состоянии).
Метод оптимизации может широко использоваться для улучшения жизненного цикла аккумуляторной батареи при низком энергопотреблении.
Рисунок 1: Техническая дорожная карта. На этом рисунке подробно описан процесс моделирования и оптимизации в соответствии с содержанием исследования, включая объекты исследования, методы, решения, программное обеспечение для моделирования, симуляции и оптимизации. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 2: 3D-модель литий-ионного аккумулятора в условиях повышенной запыленности. 3D-модель пакета LIB, которую можно сохранить в виде файла X_T и импортировать в программное обеспечение для моделирования, рисуется с помощью программного обеспечения для моделирования. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 3: Сетчатая диаграмма. (А) На этом рисунке показана сетка воздушного домена. (B) На этом рисунке показана сетка домена батареи. (C) На этом рисунке показана сетка домена dpm. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 4: Тест на независимость от сетки. Ось X — это различное общее количество сеток в модели сетки, а ось Y — температура. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 5: Испытание вязкой моделью. Ось X - это тип вязкой модели, цифра 1 представляет стандартную модель k-эпсилона, цифра 2 представляет модель ГСЧ k-эпсилон, цифра 3 представляет реализуемую модель k-эпсилона, цифра 4 представляет модель Спаларта-Аллмараса, ось Y - температура. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 6: 3D-модель литий-ионного аккумуляторного блока в беспыльной среде. 3D-модель пакета LIB, которую можно сохранить в виде файла X_T и импортировать в программное обеспечение для моделирования, рисуется с помощью программного обеспечения для моделирования. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 7: Анализ чувствительности параметров. Число на оси x представляет собой n-ю комбинацию скоростей воздушного потока на входе. Например, число 5 представляет собой комбинацию скоростей (3,5,7), соответствующую 3 м/с на входе 1, 5 м/с на входе 2, 7 м/с на входе 3. Аналогично, число 1,2,3,4,6 представляет собой различные комбинации скоростей воздушного потока на входе (5,5,5), (4,5,6), (5,6,4), (5,4,6), (3,5,7), (5,3,7), (5,7,3) соответственно. Ось Y — температура. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Иллюстрация 8: Изменение температуры аккумуляторной батареи при различных скоростях воздушного потока на входе. На рисунке показано, что максимальная температура аккумуляторной батареи уменьшается с увеличением скорости входного воздушного потока. По оси X показана скорость увеличения скорости воздушного потока на входе. Ось Y — температура. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 9: Сравнение распределения температуры аккумуляторной батареи в различных средах. (A) На этом рисунке показано распределение температуры аккумуляторной батареи в беспыльной среде. (B) На этом рисунке показано распределение температуры аккумуляторной батареи в пыльной среде, из которой температура самая высокая в батарее номер 2. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 10: Сравнение распределения температуры батареи No 2 в различных средах. (A) На этом рисунке показано распределение температуры батареи No 2 в беспыльной среде. (B) На этом рисунке показано распределение температуры батареи номер 2 в пыльной среде. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 11: Анализ ошибок аппроксимационной модели поверхности отклика. На рисунке показано, что модель аппроксимации поверхности квадратичного полинома отклика имеет хорошую точность аппроксимации. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 12: Сравнение распределения температуры батареи номер 2 при различных скоростях воздушного потока на входе. (A) На этом рисунке показано распределение температуры батареи номер 2 путем простого увеличения скорости самого воздушного потока на входе. (B) На этом рисунке показано распределение температуры батареи No 2 после оптимизации скорости входного воздушного потока. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 13: Сравнение распределения температуры аккумуляторной батареи до и после оптимизации. (A) На этом рисунке показано распределение температуры аккумуляторной батареи в пыльной среде без оптимизации. (B) На этом рисунке показано распределение температуры аккумуляторной батареи в пыльной среде после оптимизации. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 14: Сравнение рационализации распределения аккумуляторных батарей до и после оптимизации. (A) На этом рисунке показано оптимизированное распределение аккумуляторной батареи в пыльной среде без оптимизации. (B) На этом рисунке показано оптимизированное распределение аккумуляторной батареи в пыльной среде после оптимизации. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 15: Влияние трех факторов на температуру. (А) На этом рисунке показано влияние x1 и x2 на температуру. (B) На этом рисунке показано влияние x1 и x3 на температуру. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
| Название носителя | ρ/кг·м-3 | К/Дж· (кг· К)-1 | К/Вт (м·К)-1 |
| Воздушный материал | 1.225 | 1006.43 | 0.0242 |
| Материал батареи | 1958.7 | 733 | kx=3,6,ky=kz=10,8 |
| Материал dpm | 2870 | 910 | 1.75 |
| Материал аккумуляторного отсека | 7930 | 500 | 16.3 |
Таблица 1: Свойства материалов. Свойства материала, соответствующие воздуху, батарее, пылевым твердым частицам и батарейному отсеку, будут использоваться в параметрах Настройки программного обеспечения для моделирования.
| Число | Вход1(м/с) | Вход2 (м/с) | Вход3 (м/с) | Максимальная температура аккумуляторной батареи (К) |
| 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 |
Таблица 2: Анализ чувствительности параметров. В таблице приведены семь комбинаций скоростей воздушного потока на входе и соответствующая максимальная температура аккумуляторной батареи. Например, число 5 представляет комбинацию скоростей (3,5,7), соответствующую 3 м/с на входе 1, 5 м/с на входе 2, 7 м/с на входе 3 и соответствующей максимальной температуре аккумуляторной батареи 311,54599 К.
| Число | Вход1(м/с) | Вход2 (м/с) | Вход3 (м/с) | Максимальная температура аккумуляторной батареи (К) |
| 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 |
Таблица 3: Массивы скоростей и температур, используемые для модели поверхности квадратичного отклика. Различные комбинации скоростей воздушного потока на входах могут быть случайным образом сгенерированы OLHA, а соответствующие максимальные температуры рассчитываются с помощью программного обеспечения для моделирования.
| Имя | Вход1(м/с) | Вход2 (м/с) | Вход3 (м/с) | Максимальная температура аккумуляторной батареи (К) |
| Результат оптимизации | 5.5 | 5 | 5.5 | 309.39142 |
| Результат верификации моделирования | 5.5 | 5 | 5.5 | 309.392853 |
Таблица 4: Сравнение результатов оптимизации и верификации моделирования. Подходящая комбинация скоростей воздушного потока на входе и соответствующей температуры может быть получена путем оптимизации, точность которой также подтверждается проверкой моделирования.
| Имя | Вход1(м/с) | Вход2 (м/с) | Вход3 (м/с) | Максимальная температура аккумуляторной батареи (К) |
| 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 |
Таблица 5: Сравнение скорости потока воздуха на входе и максимальной температуры аккумуляторной батареи при различных условиях. (A) Аккумуляторная батарея при нормальной скорости потока воздуха на входе и свободном от пыли окружении. (B) Аккумуляторная батарея при нормальной скорости потока воздуха на входе и пыльной среде. (C) Аккумуляторная батарея под входными отверстиями увеличивает скорость воздушного потока и пыльную среду. (D) Аккумуляторная батарея при оптимизированных скоростях воздушного потока и пыльной среде.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Используемая в данном исследовании БТМС была создана на основе системы воздушного охлаждения из-за ее низкой стоимости и простоты конструкции. Из-за низкой теплопередачи производительность системы воздушного охлаждения ниже, чем у системы жидкостного охлаждения и системы охлаждения материала с фазовым переходом. Однако система жидкостного охлаждения имеет недостаток утечки хладагента, а система охлаждения материала с фазовым переходом имеет большую массу и низкую плотность энергии29. Эти системы охлаждения имеют свои преимущества и недостатки. Таким образом, BTMS может быть установлена путем комбинирования системы воздушного охлаждения с системой жидкостного охлаждения или системой охлаждения материала с фазовым переходом для повышения эффективности охлаждения.
Для моделирования профиля потока и температуры модели был реализован решатель CFD. Управляющие уравнения30, такие как непрерывность (2) и уравнение сохранения энергии (3), были использованы для решения нестационарной тепловой задачи воздушного потока.
где p, k и c — свойства используемого воздуха, а именно: плотность, теплопроводность и удельная теплоемкость соответственно; T, и 
– статическое давление, температура и скорость охлаждающего воздуха.
Уравнения импульса31
где ui и uj — компоненты скорости, усредненные по Рейнольдсу; x, i и x j — декартовы координаты; P – усредненное по Рейнольдсу давление; μ — динамическая вязкость; μt – турбулентная динамическая вязкость. k – кинетическая энергия турбулентности; ε – скорость диссипации кинетической энергии турбулентности.
Число Рейнольдса, основанное на скорости потока на входе (v=5 м/с) и эквивалентном диаметре, было оценено как 0,0242308; число Рейнольдса вычисляется как 9894, тем самым была выбрана модель турбулентности стандартной k-e модели.
Уравнение числа Рейнольдса32
Где Pl — плотность, Vmax — максимальная скорость потока жидкости, D — эквивалентный диаметр емкости, ul — динамическая вязкость жидкости.
Уравнение кинетической энергии турбулентности33
где k,t и ε – кинетическая энергия турбулентности и скорость диссипации турбулентности соответственно; uj — j-я компонента вектора скорости, а μ и ut — молекулярная и турбулентная динамическая вязкость соответственно; Gkt и Gb – генерация кинетической энергии турбулентности, вызванная средней скоростью, и генерация кинетической энергии турбулентности в результате эффектов плавучести, соответственно; YM представляет собой влияние флуктуирующей дилатации несжимаемой турбулентности на сумму скоростей диссипации; Skt – исходный член kt; αkt — обратное эффективное число Прандтля для kt.
Уравнение диссипации кинетической энергии турбулентности33
где Sε - исходный член ε; αt — обратное эффективное число Прандтля для ε; С1ε ,С2ε иС3ε являются эмпирическими константами.
Для аккумуляторных элементов уравнение сохранения энергии34
Где Q, kb, cb; и Pb представляют собой выделяемое тепло, теплопроводность, удельную теплоемкость и плотность батареи соответственно.
Формула тепловой конвекции35
где hf — коэффициент конвекционной теплопередачи; Ts представляет собой температуру поверхности ЛИА; TB — температура окружающего воздуха; а q* представляет собой скорость конвекционной теплопередачи.
Входное отверстие BTMS было настроено на граничное условие «скорость-вход» 5 м/с и температуру 300 К, в то время как выходное отверстие системы было настроено на выход по давлению, а давление окружающей среды было установлено на атмосферное давление. Стены вокруг системы настроены на естественную конвекцию.
В этой статье исследование началось при условии, что структура модели аккумуляторной батареи была определена, пыль, покрывающая поверхность батареи, вызовет повышение температуры батареи. Затем мы представляем ASAM для оптимизации приближенного QRSM и выполнения перепадов температуры обратно через оптимальную комбинацию скоростей воздушного потока входов системы для решения задачи эффекта DPM. Следует отметить, что расположение воздухозаборника и выхода аккумуляторной батареи также оказывает большое влияние на температуру BTMS14.
В протоколе есть несколько важных шагов. При создании 3D-модели аккумуляторной батареи присвойте каждому телу и поверхности в модели узнаваемое имя для последующего добавления материала, создания интерфейса сетки и задания граничных условий. При работе с программным обеспечением для моделирования необходимо точно установить каждый параметр, особенно единицу измерения параметра.
С точки зрения аппроксимации модели, анализ ошибок важен при моделировании поверхности отклика, если произвольная ошибка не может удовлетворять соответствующим приемлемым стандартам, то следует добавить больше опорных точек для участия в аппроксимации модели до тех пор, пока ошибка не достигнет допустимых стандартов. После того, как программное обеспечение для моделирования импортирует модель сетки, устраните неполадки в модели сетки, нажмите кнопку Проверить , имеет ли сетка отрицательный объем. Если возникнут какие-либо проблемы с разделенной сеткой или настройками модели, появится сообщение об ошибке.
Основным ограничением данного исследования является то, что геометрическая модель, используемая в симуляции, получена путем упрощения реалистичной модели аккумуляторной батареи, полностью отразить реальность практически невозможно. Тогда наложенные граничные условия вряд ли будут соответствовать реальной ситуации. Результаты расчетов также различаются в зависимости от разных теорий расчета. Для облегчения моделирования мы упростили модель тепловыделения батареи, средняя скорость тепловыделения батареи составляет 20,993 кВт/м3 при внутреннем источнике тепла36,37.
Значение существующих методов и любых будущих применений метода:
Этот протокол поможет разработать метод оптимизации с одновременным учетом энергопотребления и тепловых характеристик системы управления батареями, а также может широко использоваться для улучшения жизненного цикла аккумуляторной батареи с минимальными эксплуатационными расходами. Эта техника также может быть использована в механическом проектировании, архитектурном проектировании и других областях.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Авторам нечего раскрывать.
Acknowledgments
Некоторое программное обеспечение для анализа и оптимизации поддерживается Университетом Цинхуа, Университетом Конкук, Национальным университетом Чоннам, Университетом Мокпхо и Университетом Тиба.
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).
