Summary
Här presenterar vi den adaptiva simulerade glödgningsmetoden (ASAM) för att optimera en approximativ kvadratisk responsytmodell (QRSM) som motsvarar ett dammigt partikeltäckt batterivärmehanteringssystem och uppfylla temperatursänkningarna genom att justera luftflödeshastigheterna genom att justera luftflödeshastigheterna kombination av systeminlopp.
Abstract
Denna studie syftar till att lösa problemet med celltemperaturökningen och prestandaförsämringen orsakad av dammiga partiklar som täcker cellens yta genom allokering av luftflödeshastigheter vid inloppen till batterikylboxen under målet om låg energiförbrukning. Vi tar den maximala temperaturen på batteripaketet vid en specificerad luftflödeshastighet och dammfri miljö som den förväntade temperaturen i en dammig miljö. Batteripaketets maximala temperatur i en dammig miljö löses vid olika inloppsluftflödeshastigheter, vilket är randvillkoren för den analysmodell som konstrueras i simuleringsmjukvaran. Matriserna som representerar de olika kombinationerna av luftflödeshastighet genereras slumpmässigt genom den optimala Latin Hypercube-algoritmen (OLHA), där de nedre och övre gränserna för hastigheter som motsvarar temperaturerna över den önskade temperaturen ställs in i optimeringsprogramvaran. Vi fastställer en ungefärlig QRSM mellan hastighetskombinationen och den maximala temperaturen med hjälp av optimeringsprogrammets anpassningsmodul. QRSM är optimerad baserat på ASAM, och det optimala resultatet överensstämmer väl med det analysresultat som erhålls av simuleringsprogramvaran. Efter optimering ändras flödeshastigheten för det mellersta inloppet från 5,5 m/s till 5 m/s, och den totala luftflödeshastigheten minskas med 3 %. Protokollet presenterar här en optimeringsmetod som samtidigt tar hänsyn till energiförbrukning och termisk prestanda för det batterihanteringssystem som har etablerats, och det kan användas i stor utsträckning för att förbättra batteripaketets livscykel med minimal driftskostnad.
Introduction
Med den snabba utvecklingen av bilindustrin förbrukar fordon som drivs med traditionella bränslen mycket icke-förnybara resurser, vilket resulterar i allvarliga miljöföroreningar och energibrist. En av de mest lovande lösningarna är utvecklingen av elfordon1,2.
Kraftbatterierna som används för elbilar kan lagra elektrokemisk energi, vilket är nyckeln till att ersätta traditionella bränslefordon. Kraftbatterier som används i elfordon inkluderar litiumjonbatterier (LIB), nickelmetallhydridbatterier (NiMH) och elektriska dubbelskiktskondensatorer (EDLC)3. Jämfört med de andra batterierna används litiumjonbatterier för närvarande i stor utsträckning som energilagringsenheter i elfordon på grund av deras fördelar som hög energitäthet, hög effektivitet och lång livscykel 4,5,6,7.
Men på grund av kemisk reaktionsvärme och Joule-värme är det lätt att ackumulera en stor mängd värme och öka batteritemperaturen under snabbladdning och högintensiv urladdning. Den idealiska driftstemperaturen för LIB är 20-40 °C 8,9. Den maximala temperaturskillnaden mellan batterierna i en batteristräng bör inte överstiga 5 °C10,11. Annars kan det leda till en rad risker som temperaturobalans mellan batterierna, accelererat åldrande, till och med överhettning, brand, explosion och så vidare12. Därför är den kritiska frågan som måste lösas att designa och optimera ett effektivt batterivärmehanteringssystem (BTMS) som kan kontrollera temperaturen och temperaturskillnaden i batteripaketet inom en snäv gräns.
Typiska BTMS inkluderar luftkylning, vattenkylning och fasändringsmaterialkylning13. Bland dessa kylmetoder används luftkylningstypen i stor utsträckning på grund av dess låga kostnad och enkelhet i strukturen14. På grund av luftens begränsade specifika värmekapacitet är höga temperaturer och stora temperaturskillnader lätta att uppstå mellan battericeller i luftkylda system. För att förbättra kylningsprestandan hos luftkylda BTMS är det nödvändigt att utforma ett effektivt system 15,16,17. Qian et al.18 samlade in batteripaketets maximala temperatur och temperaturskillnad för att träna motsvarande Bayesianska neurala nätverksmodell, som används för att optimera cellavstånden i seriens luftkylda batteripaket. Chen et al.19 rapporterade att Newton-metoden och flödesmotståndsnätverksmodellen användes för optimering av bredderna på inloppsdivergenslådan och utloppskonvergenslådan i det parallella luftkylda systemet av Z-typ. Resultaten visade en 45-procentig minskning av temperaturskillnaden i systemet. Liu et al.20 tog prov på fem grupper av kylkanalerna i J-BTMS och erhöll den bästa kombinationen av cellavstånd med den ensemblesurrogatbaserade optimeringsalgoritmen. Baveja et al.21 modellerade en passivt balanserad batterimodul, och studien beskrev effekterna av termisk förutsägelse på passiv balansering på modulnivå och vice versa. Singh et al.22 undersökte ett batterivärmehanteringssystem (BTMS) som använde inkapslat fasförändringsmaterial tillsammans med forcerad konvektiv luftkylning designad med hjälp av den kopplade elektrokemiska-termiska modelleringen. et al.23 föreslog en vätskekylplatta bestående av en flerstegs Tesla-ventilkonfiguration för att ge ett säkrare temperaturområde för ett litiumjonbatteri av prismatisk typ med hög igenkänning i mikrofluidiska applikationer. Feng et al. 24 använde variationskoefficientmetoden för att utvärdera systemen med olika inloppsflöden och batterispel. Talele et al.25 introducerade väggförstärkt pyrofoder värmeisolering för att lagra potentiellt genererad värme baserat på optimal placering av värmefilmer.
När man använder luftkylning BTMS kommer metalldammpartiklar, mineraldammpartiklar, dammpartiklar från byggmaterial och andra partiklar i den yttre miljön att föras in i luftkylnings-BTMS av fläkten, vilket kan göra att batteriernas yta täcks med DPM. Om det inte finns någon värmeavledningsplan kan det orsaka olyckor på grund av den för höga batteritemperaturen. Efter simulering tar vi den maximala temperaturen på batteripaketet i en specificerad luftflödeshastighet och dammfri miljö som den förväntade temperaturen i en dammig miljö. För det första hänvisar C-rate till det strömvärde som krävs när batteriet släpper sin nominella kapacitet inom den angivna tiden, vilket är lika med en multipel av batteriets nominella kapacitet i datavärdet. I det här dokumentet använder simuleringen 2C-urladdning. Den nominella kapaciteten är 10 Ah och den nominella spänningen är 3,2 V. Litiumjärnfosfat (LiFePO4) används som det positiva elektrodmaterialet och kol används som det negativa elektrodmaterialet. Elektrolyten har elektrolytlitiumsalt, ett organiskt lösningsmedel med hög renhet, nödvändiga tillsatser och andra råvaror. Den slumpmässiga matrisen som representerar de olika hastighetskombinationerna vid inloppen bestämdes genom OLHA, och en 2:a ordningens funktion mellan batteripaketets maximala temperatur och inloppsflödeshastighetskombinationen ställdes in under förutsättning att kurvans noggrannhet kontrollerades. Latinska hyperkuber (LH) har tillämpats i många datorexperiment sedan de föreslogs av McKay et al.26. En LH ges av en N x p-matris L, där varje kolonn av L består av en permutation av heltalen 1 till N. I den här artikeln används den optimala latinska hyperkubsamplingsmetoden för att minska beräkningsbördan. Metoden använder stratifierad provtagning för att säkerställa att provtagningspunkterna kan täcka alla provtagningsinterna delar.
I följande steg optimerades kombinationen av inloppsflödeshastighet för att minska batteripaketets maximala temperatur i en dammig miljö baserat på ASAM under förutsättning att energiförbrukningen beaktas samtidigt. Den adaptiva simulerade glödgningsalgoritmen har utvecklats i stor utsträckning och används i stor utsträckning i många optimeringsproblem27,28. Denna algoritm kan undvika att fastna i ett lokalt optimum genom att acceptera den sämsta lösningen med en viss sannolikhet. Det globala optimum uppnås genom att definiera acceptanssannolikheten och temperaturen; Beräkningshastigheten kan också justeras med hjälp av dessa två parametrar. Slutligen, för att kontrollera noggrannheten i optimeringen, jämfördes det optimala resultatet med analysresultatet från simuleringsprogramvaran.
I detta dokument föreslås en optimeringsmetod för batterilådans inloppsflöde för batteripaketet vars temperatur stiger på grund av dammskydd. Syftet är att sänka den maximala temperaturen för det dammtäckta batteripaketet till under den maximala temperaturen för det icke-dammtäckta batteripaketet vid låg energiförbrukning.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
OBS: Färdplanen för forskningsteknik visas i figur 1, där programvaran för modellering, simulering och optimering används. De material som krävs visas i materialtabellen.
1. Skapa 3D-modellen
OBS: Vi använde Solidworks för att skapa 3D-modellen.
- Rita en rektangel på 252 mm x 175 mm, klicka på Extrude Boss/Base och ange 73. Skapa ett nytt plan 4 mm från den yttre ytan.
- Rita en rektangel på 131 x 16 mm och klicka på Linjärt skissmönster. Ange 22 och 6 i avstånd respektive antal instanser. Markera alla fyra sidorna av rektangeln och klicka på OK. Ange 180 i vinkel och kör den igen. Det här steget är för symmetri i mitten av modellen.
- Klicka på Extrude Cut, ange 65 och klicka på OK. Klicka på Extrude Boss/Base och ange 65, avmarkera Sammanfoga resultat och klicka på Omvänd riktning och OK.
När sammanslagningsresultatet är avmarkerat blir den utsträckta entiteten en separat enhet. Det finns totalt 23 delar, inklusive 11 batterier, 11 dammiga partiklar och 1 luftdomän. - Rita en rektangel på 16 x 1 mm. Upprepa steg 1.2 och 1.3.
- Rita en rektangel 63 mm x 15 mm, klicka på rektangelns överkant och Linear Sketch Pattern. Ange 21, 3 och 270 och klicka på OK. Klicka på Dela linje och kubens framsida, klicka på OK.
- Rita en rektangel på 63 x 15 mm. Klicka på Dela linje och kubens framsida, klicka på OK.
- Klicka på Arkiv och spara den som en X_T fil.
OBS: Den angivna storleken: Llåda: 73 mm; W-låda: 252 mm; H-låda: 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 visas i figur 2. - Dra nätkomponenten genom att klicka på Verktygslåda > Komponentsystem > Nät till projektschemazonen. Importera den tidigare sparade X_T filen genom att klicka på Geometri.
- Öppna fönstret för modelleringsverktyget mesh-design så visas batteripaketets modell, inklusive 23 delar som oberoende organ, igen genom att klicka på Generera.
- Välj alla 23 delar av batteriet som en ny del som namnges som batteridel, alla dammiga partiklar av 23 delar som dammdel och lufthålighet som luftdel, i trädkonturen för att underlätta efterföljande gömning och namngivning av objekt.
- Högerklicka först på BatteryPart och DustPart och välj Dölj del så att popup-fönstret bara visar luftdelen.
- Flytta musen till markeringsverktygsfältet för att välja Markeringsfilter: Kroppar, högerklicka på luftkavitetsmodellen i grafikzonen för att välja Namngiven markering och byt namn på luftkavitetsmodellen i detaljvisningszonen till luftdomän.
- Växla till markeringsfilter: Ytor, högerklicka och byt namn på ytan som har delats upp i tre delar, nedifrån och upp, som inlet1, inlet2 och inlet3, den separata ytan till höger om dessa tre ytor heter utlopp, den återstående yttre ytan heter outerBorder, respektive.
- Växla valläge till Box Select, klicka på Y-axeln för att få lämplig view av luftkavitetsmodellen för bekvämligheten med boxval, byt namn på och numrera alla inre ytor som kavitetsyta1 till kavitetsyta11 med hjälp av boxval.
- Om du bara vill visa batteryPart högerklickar du på airPart och väljer Dölj del. Högerklicka på batteryPart och välj Visa del på snabbmenyn.
- Flytta musen till markeringsverktygsfältet för att välja Selection Filter: Bodies, växla Select Mode till Single Select, högerklicka på Each Battery Model i Graphics-zonen för att välja Named Selection, byt namn på och numrera de 11 batterimodellerna i detaljvisningszonen som batteryDomain1 till batteryDomain11, respektive.
- Dessutom har varje batterimodell sex sidor, växla sedan till Selection Filter: Faces, högerklicka på varje sida av de numrerade batteryDomains för att välja Namngiven markering och byt namn på dem enligt batterisidans orientering. Byt till exempel namn på sex sidor av den numrerade batteryDomain1 som batteryDomain1_Upper, batteryDomain1_Lower, batteryDomain1_Left, batteryDomain1_Right, batteryDomain1_Front och batteryDomain1_Back.
- Om du bara vill visa dustPart högerklickar du på batteryPart och väljer Dölj del. Högerklicka på dustPart och välj Visa del på snabbmenyn.
- Flytta musen till markeringsverktygsfältet för att välja Selection Filter: Bodies, högerklicka på varje dammig partikelmodell i grafikzonen för att välja Namngiven markering, byt namn på och numrera de 11 dammiga partikelmodellerna i detaljvisningszonen som dpmDomain1 respektive dpmDomain11.
- Dessutom har varje modell av dammiga partiklar sex sidor; växla sedan till Selection Filter: Faces, högerklicka på Each Side of the Numbered dpmDomains för att välja Namngiven markering och byt namn på dem enligt orienteringen på sidan med dammiga partiklar. Byt till exempel namn på sex sidor av numrerade dpmDomain1 till dpmDomain1_Upper, dpmDomain1_Lower, dpmDomain1_Left, dpmDomain1_Right, dpmDomain1_Front och dpmDomain1_Back.
- Visa alla brödtext och återgå till det ursprungliga fönstret igen.
2. Generera nätmodellen
OBS: Finita elementnät är ett mycket viktigt steg i numerisk simuleringsanalys av finita element, vilket direkt påverkar noggrannheten i efterföljande numeriska analysresultat. De omdöpta entiteterna maskas sedan.
- Om du vill sammanfoga luftdomänen, batteridomänen och dpm-domänen oberoende av varandra drar du två Mesh-komponenter igen från Toolbox > Component Systems > Mesh till projektschemazonen och byter namn på dem till airFEM, batteryFEM respektive dpmFEM. Håll airFEM > Geometry med vänster musknapp och dra den till batteryFEM > Geometry.
- Håll sedan ned batteryFEM > Geometry med vänster musknapp och dra den till dpmFEM > Geometry. Högerklicka på linjerna mellan de tre nätkomponenterna och välj Ta bort för att koppla bort dem från varandra.
- Dubbelklicka på airFEM:s Mesh, gå in i nätfönstret, högerklicka på batteryPart och dustPart för att välja Suppress Body och ändra den fysiska inställningen från mekanisk till CFD. Generera FEM air-domänmodellen genom ansiktsstorleken på 2 mm och kroppsstorleken på 4 mm genom att klicka på Uppdatera och återgå till det ursprungliga fönstret.
- Dubbelklicka på batteryFEM:s Mesh, gå in i nätfönstret, högerklicka på airPart och dustPart för att välja Suppress Body och ändra den fysiska inställningen från Mekanisk till CFD. Generera FEM-batteridomänmodellen genom kamerahusstorleken 2 mm genom att klicka på Uppdatera och återgå till det ursprungliga fönstret.
- Dubbelklicka på dpmFEM:s Mesh, öppna nätfönstret, högerklicka på airPart och batteryPart för att välja Suppress Body och ändra den fysiska inställningen från Mekanisk till CFD. Generera FEM dpm-domänmodellen genom kroppsstorlek 2 mm genom att klicka på Uppdatera, återgå till det ursprungliga fönstret.
OBS: Figur 3A visar rutnätet för luftdomänen, figur 3B visar rutnätet för batteridomänen och figur 3C visar rutnätet för dpm-domänen. - Ställ in den minsta storleken på luftgallret till 4 mm och den minsta storleken på batteriet och dammiga partiklar på 2 mm. Se till att rutnätet är lösningsoberoende, ändra den minsta cellstorleken för rutnätet och utför en nätkänslighetsstudie.
OBS: Som visas i figur 4, med antalet nät som ökar från 519343 till 1053849, är de maximala batteritemperaturändringarna mindre än 0.6 K. Med tanke på beräkningsförmågan och noggrannheten är följande analys baserad på nätmodellen med 931189 rutnät.
3. Simulering analys
- Dra Fluid Flow från Verktygslåda > Analysis Systems > Fluid Flow till projektets schematiska zon. Håll airFEM > Mesh, sedan batteryFEM > Mesh och dpmFEM > Mesh med vänster musknapp och dra dem till Fluid Flow > Setup. Högerklicka på Fluid Flow > Setup och välj Uppdatera för att öppna inställningsfönstret.
- Kontrollera giltigheten för FEM-modellen och kontrollera om nätet har en negativ volym. Programvaran föreslår automatiskt modellens volym, och ett rimligt modellvärde är positivt. Om det finns några problem med det delade rutnätet eller modellinställningarna kommer ett felmeddelande att dyka upp för att berätta.
- Aktivera energiekvationen i värmeöverföringsmodeller. Gå in i inställningsgränssnittet för den viskösa modellen och strålningsmodellen och välj K-epsilon-modellen och den diskreta koordinatmodellen.
OBS: Som visas i figur 5, där man jämför fyra viskösa modeller, skiljer sig beräkningsresultaten för Spalart-Allmaras-modellen ganska mycket från andra modeller. Resultaten av Standard K-epsilon-modellen liknar de för andra K-epsilon-modeller. Standard K-epsilon-modellen med högre stabilitet och ekonomi används i stor utsträckning; Följande analys är baserad på Standard K-epsilon-modellen. - Ställ in de nya materialen med olika attribut för luftmaterial, batterimaterial, dpm-material och batteriboxmaterial baserat på tabell 1.
OBS: Inuti batteripaketet finns det tre olika fysiska material: luft som vätska och resten som fast ämne. Ställ sedan in materialet.- Ändra vätsketypen för de numrerade batteridomänerna till Solid-typen och ändra dpm-materialet till batterimaterialet i Solid-fönstret genom att dubbelklicka på varje batteridomän. Välj sedan objektet Källvillkor och klicka på de markerade källtermerna för att lägga till en energikälla genom att tilldela numret i antalet energikällor och välja Konstant typ för att mata in värdet på 209993 w/m3.
- Ändra fluidtypen för de numrerade dpm-domänerna till Solid typ.
- Ställ sedan in gränssnittet för simuleringsberäkning av flera olika domäner enligt den faktiska inställningsflödeshastigheten och värmeöverföringskoefficienten enligt beskrivningen nedan.
- Konvertera typen av alla omdöpta ytor, inklusive de inre ytorna i luftdomänen och alla sidor av batteridomänerna, samt dpm-domäner från standardväggen till gränssnittet. När ovanstående steg har slutförts framgångsrikt kommer nätgränssnitten att genereras omedelbart.
- Klicka på Mesh-gränssnitten och gå in i fönstret Skapa/redigera Mesh-gränssnitt . Matcha kavitetsytorna på alla sidor utom batteridomänernas ovansidor och dpm domians undersidor. Namnge och numrera dem sedan som interface1 respektive interface11. Så de 11 mesh-gränssnitten kan skapas bland luftdomänen och batteridomianerna samt dpm-domänerna.
- Matcha batteridomänernas övre sidor och dpm-domänernas nedre sidor. Namnge och numrera dem sedan som interface12 till interface22. Sedan skapas de 11 mesh-gränssnitten mellan batteridomänerna och dpm-domänerna.
- Tilldela ytan på den yttre kanten som väggens termiska gränsvillkor genom att ställa in värmeöverföringskoefficienten som 5 i det blandade termiska tillståndet och ändra dess material från standardaluminium till det tidigare självdefinierade batterilådematerialet.
- Ställ in luftflödeshastigheterna för alla inlopp som 5 m/s i hastighetsinloppsfönstret och utloppets övertryck som noll i tryckutloppsfönstret.
- Ställ sedan in tillståndet för beräkningsdomänen i det första ögonblicket, till exempel den initiala temperaturen på 300 K, vilket kommer att påverka processen för beräkningskonvergens.
- Ange typen av lösningsinitiering som standardinitiering innan du initierar.
- Ange antalet iterationer som 2000.
- Klicka på Beräkna för att simulera. Återgå till det inledande fönstret tills simuleringen är klar.
- Ovanstående del slutför simuleringsberäkningen av temperaturen och lufthastigheten inuti batteripaketet och visar sedan simuleringsresultatet i Resultat. Utför följande steg i de resultat som visas.
- Dubbelklicka på Fluid Flow > Results för att öppna CFD-postfönstret och klicka sedan på ikonen för Contour i verktygslådan.
- Välj Alla sidor av batterierna i platsväljaren och ändra tryck till temperatur. Klicka sedan på Verkställ för att generera batteriernas temperaturkontur.
- Klicka på Arkiv > Exportera för att välja temperatur för de valda variablerna. Klicka på rullgardinsknappen för platserna för att öppna platsväljarfönstret där alla batteridomäner ska väljas. Klicka på OK och Save för att avsluta.
OBS: Ett kalkylblad vars data motsvarar temperaturerna för alla batteriers nätnoder kommer att sparas automatiskt när du klickar på spara-knappen. - Öppna kalkylbladet för att hitta maxvärdet, som anger den maximala temperaturen för batterierna i en dammig miljö vid 5 m/s av alla luftflödesinlopp.
- Skaffa den maximala temperaturen för batterierna i fritt dammtillstånd som den förväntade temperaturen och jämför den med den maximala temperaturen i dammigt tillstånd; Resultatet visar att hela temperaturen ökar.
OBS: För att få den maximala temperaturen på batterier i en dammfri miljö bör den nya batteripaketmodellen som visas i figur 6 återupprättas och alla steg 1.1-3.4.3 bör upprepas. - För att sänka den maximala temperaturen inuti batteripaketet, ställ in luftflödeshastigheterna vid inloppen från 5 m/s till 6 m/s, öka med 5 % och beräkna motsvarande maximala temperaturer för de dammiga batterierna.
OBS: Känslighetsanalysen av luftflödeshastighetsparametrar bör göras i god tid innan parametervärdena ändras. Som visas i figur 7 och tabell 2 har vi behållit samma totala flöde för var och en av de sju grupperna av olika kombinationer av inloppsluftflödeshastighet. Det finns fortfarande en uppenbar variation i den maximala temperaturen på grund av skillnaden i luftflödeshastighetstilldelning. Med andra ord finns det på något sätt en stark korrelation mellan kombinationen av luftflödeshastighet och den maximala temperaturen. Därför kan dessa hastighetsparametrar användas som designvariabler. - Rita temperatur-hastighetskurvan som visas i figur 8, där den röda linjen indikerar att temperaturkurvan minskar med ökningen av luftflödeshastigheten, och den blå linjen representerar den förväntade temperaturen.
- Bibehåll en ökning av luftflödeshastigheten med 10 %. När hastighetsökningen är mer än 10 % är den maximala temperaturen redan lägre än den förväntade temperaturen, men detta uppfyller inte syftet med låg energiförbrukning. För det återstående luftflödet, sänk batteripaketets maximala temperatur till den förväntade temperaturen genom optimering, och uppnå därmed målet med låg energiförbrukning.
4. Optimal latinsk hyperkubprovtagning och modellering av responsytan
OBS: För de kvarhållna flödeshastigheterna på 5 m/s-5.5 m/s väljs prover för att konstruera olika flödeshastighetskombinationer inom detta flödeshastighetsområde. Hastighetskombinationerna simuleras för att erhålla den maximala temperaturen. Konstruera funktionen av hastighet och maximal temperatur.
- Öppna ett nytt tomt kalkylblad för att skapa en tabell vars rader i den första kolumnen heter inlet1, inlet2 och inlet3 och spara filen som sampling.xlsx.
- Kör optimeringsprogrammet och dra kalkylbladsikonen till den enda pilen i uppgift 1. Dubbelklicka sedan på kalkylbladsikonen för att öppna fönstret Komponentredigerare-Excel.
- Importera sampling.xlsx genom att klicka på knappen Bläddra och mappa inlet1, inlet2 och inlet3 till parametrarna A1, A2 och A3 genom att klicka på Lägg till den här mappningen. Klicka på OK-knappen för att återgå till det första fönstret.
- Dra DOE-ikonen till Task1 och dubbelklicka på den för att öppna fönstret Komponentredigerare-DOE. Välj OptimOKal Latin Hypercube och ställ in antalet punkter som 15 i fönstret Allmänt.
- Växla till fönstret Faktorer och ange 5,5 som den övre gränsen och 5 som den nedre gränsen för A1, A2 och A3.
- Växla till fönstret Designmatris och klicka på Generera för att generera de slumpmässiga samplingspunkterna som motsvarar de olika inloppshastigheterna. Stäng av optimeringsprogram.
- Ta tillbaka matriserna med hastighetskombinationer för de slumpmässiga provtagningspunkterna för att beräkna och upprepa steg 3.5.5–3.7.5 för att erhålla motsvarande temperaturmatris som består av batteriernas maximala temperaturer.
- Kombinera prediktorvariablerna x1, x2 och x3 i hastighetskombinationsmatriserna och y i temperaturmatriserna för att bilda en ny tabell med variabler, som du ser i tabell 3, och spara den som en sample.txt fil. Importera filen så att den passar en modell för svarsytan.
- Kör optimeringsprogrammet igen och dra ikonen Approximation till den enda pilen för Uppgift1. Dubbelklicka på ikonen Task1 för att öppna fönstret för komponentredigerarens uppskattning och välja Response Surface Model.
- Växla till fönstret Datafil och importera den sample.txt filen som innehåller förutsägelsevariablerna.
- Växla till fönstret Parametrar och klicka på Skanna för att öppna parametrarna i datafilsfönstret där prediktorvariablerna x1, x2 och x3 definieras som indata och y som utdata.
- Växla till fönstret Teknikalternativ och välj kvadratisk i polynomordning. Växla till fönstret Alternativ för felanalys och välj korsvalidering i felanalysmetoden.
- Växla till fönstret Visa data och klicka på Initiera nu för att hämta koefficienterna för den kvadratiska linjära regressionsekvationen.
- Klicka på knappen Felanalys för att öppna fönstret för analys av approximationsfel för att kontrollera om felen kan uppfylla de acceptabla standarderna för varje feltyp. Stäng fönstret för approximationskomponenten. Om det godtyckliga felet inte kan uppfylla motsvarande acceptabla standarder, lägg till fler provpunkter för att delta i modellanpassningen.
5. Adaptiv simulerad glödgningsalgoritmbaserad approximativ anpassningsmodell
OBS: Därefter används programvara och algoritm för att hitta det optimala värdet för den ungefärliga modellen
- Dra optimeringsikonen till Task1 och dubbelklicka på den för att öppna fönstret för komponentredigeringsoptimering. Välj Adaptive Simulated Annealing (ASA) i optimeringstekniken.
- Växla till fönstret Variabler för att ange 5,5 som den övre gränsen och 5 som den nedre gränsen.
- Växla till fönstret Objectives och välj parametern Y innan du stänger fönstret för komponentredigeringsoptimering.
- Klicka på knappen Kör optimering och vänta på optimeringsresultatet.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Enligt protokollet är de tre första delarna de viktigaste, som inkluderar modellering, maskning och simulering, allt för att få den maximala temperaturen på batteripaketet. Därefter justeras luftflödeshastigheten genom provtagning, och slutligen erhålls den optimala flödeshastighetskombinationen genom optimering.
Figur 9 visar jämförelsen av batteripaketets temperaturfördelning i olika miljöer, och figur 10 visar jämförelsen av den andra batteritemperaturfördelningen i olika miljöer. Som visas i figur 9 och figur 10 höjs batteriets temperatur i dammigt tillstånd till en viss nivå på grund av den låga värmeledningsförmågan hos DPM (dammiga partiklar).
För att justera batteritemperaturfördelningen, ställ in luftflödeshastigheterna vid inloppen från 5 m/s till 6 m/s, öka med 5 % under den dammiga modellen och erhåll de maximala temperaturerna vid varje luftflödeshastighet. När luftflödeshastigheten ökades med 15 % och 20 % sjönk batteripaketets maximala temperatur under dammigt tillstånd under batteripaketets maximala temperatur under fritt dammtillstånd, som visas i figur 8. Med tanke på energiförbrukningen är den maximala inloppshastigheten inställd på 5,5 m/s (ökat med 10 %) för att minska den maximala temperaturen på batteripaketet i dammigt tillstånd.
Vid bestämning av den kvadratiska QRSM beräknas det minsta antalet prover med (N + 1) x (N + 2)/2, där N är antalet testvariabler. Det finns tre designvariabler i den här artikeln, som är inloppshastigheterna och det minsta antalet prover är 10. För att etablera en responsytemodell med hög anpassningsnoggrannhet valdes 15 prover ut med hjälp av DOE-komponenten i optimeringsmjukvaruplattformen. Minsta kvadratmetoden används för att slutföra anpassningen av responsytan mellan den maximala temperaturen på batteripaketet som erhålls av simuleringsprogramvaran och tre inloppshastigheter. Den approximerade responsytemodellen fastställs enligt följande:
R2 mäter regressionsekvationens övergripande anpassning och uttrycker det övergripande förhållandet mellan den beroende variabeln och alla oberoende variabler. R2 är lika med förhållandet mellan regressionssumman av kvadrater och den totala kvadratsumman, det vill säga procentandelen av variabiliteten hos den beroende variabeln som regressionsekvationen kan förklara. Ju närmare värdet för R2 är 1, desto bättre passar regressionskurvan till det observerade värdet.
Felanalysen av beräkningsresultaten visar att R2 är 0,93127, som visas i figur 11, vilket visar att andra ordningens approximationsmodell för polynomresponsytan har en god anpassningsnoggrannhet.
I slutändan används adaptiv simulerad glödgning (ASA) som optimeringsmetod för att hitta optimala kombinationer av inloppsflödeshastigheter. Det maximala antalet genererade mönster är 10 000, antalet mönster för konvergenskontroll är 5 och konvergensepsilon är 1,0 x 10-8. Den relativa hastigheten för parameterglödgning, kostnadsglödgning, parameterkylning och kostnadskylning var samma värde 1.
Den maximala temperaturen för batteripaketet som erhölls genom optimering var 309,391420 K. Inloppens luftflödeshastigheter är 5,5 m/s, 5 m/s och 5,5 m/s. För att bekräfta noggrannheten analyserades det optimala fallet av simuleringsmjukvaran. Tabell 4 visar jämförelsen mellan optimerings- och simuleringsverifieringsresultaten. Det kan ses att felet för batteripaketets maximala temperatur ligger inom 0,001 % under tre inloppsluftflödeshastighetsförhållanden, vilket indikerar att optimeringsmetoden som används i detta arbete är effektiv och genomförbar.
Jämförelsen av den andra batteritemperaturfördelningen under de olika inloppsluftflödeshastigheterna visas i figur 12, och jämförelsen av batteripaketets temperaturfördelning före och efter optimering visas i figur 13. Tabell 5 visar de specifika värdena för de maximala temperaturerna och kombinationerna av luftflödeshastigheter. När luftflödeshastigheterna för inloppen 1-3 är 5.5 m/s, 5.5 m/s respektive 5.5 m/s är batteripaketets maximala temperatur 309.426208 K. Efter optimering är luftflödeshastigheten för inloppen 1-3 5.5 m/s, 5m/s och 5.5 m/s, och den maximala temperaturen för batteripaketet är 309.392853 K. Det bör noteras att summan av luftflödeshastigheterna för det optimerade fallet som visas i figur 12B är mindre än summan av luftflödeshastigheterna för fallet som visas i figur 12A. Den maximala temperaturen ökar dock inte med minskande luftflödeshastighet. Det optimerade batteripaketet jämförs också med det ursprungliga batteripaketet (det vill säga luftflödeshastigheterna för de tre inloppen är alla 5 m/s, och batterierna är täckta med DPM). Figur 14 jämför flödeslinjefördelningen före och efter optimering, och det kan ses att flödeslinjefördelningen efter optimering är bredare. I figur 15 jämförs effekterna av varje faktor på temperaturen. Faktor x1 har störst inverkan på temperaturen. Faktorerna x1 och x3 har liknande effekter på temperaturen. Med ett ord minskar den totala luftflödeshastigheten med 3 % och batteripaketets maximala temperatur sänks till den förväntade temperaturen (det vill säga den maximala temperaturen på batteripaketet under dammfritt tillstånd).
Optimeringsmetoden kan användas i stor utsträckning för att förbättra batteripaketets livscykel med låg energiförbrukning.
Bild 1: Den tekniska översikten. Denna figur beskriver den detaljerade simulerings- och optimeringsprocessen enligt forskningsinnehållet, inklusive forskningsobjekt, metoder, lösningar, modellering, simulering och optimeringsprogramvara. Klicka här för att se en större version av denna figur.
Figur 2: En 3D-modell av litiumjonbatteri i en dammig miljö. 3D-modellen av LIB-paketet, som kan sparas som en X_T fil och importeras till simuleringsprogram för att simulera, ritas av modelleringsprogram. Klicka här för att se en större version av denna figur.
Figur 3: Rutnätsdiagram. (A) Denna figur visar rutnätet för luftdomänen. (B) Denna figur visar rutnätet för batteridomänen. (C) Den här figuren visar rutnätet för dpm-domänen. Klicka här för att se en större version av denna figur.
Figur 4: Test av nätoberoende. X-axeln är det olika totala antalet rutnät i nätmodellen och Y-axeln är temperatur. Klicka här för att se en större version av denna figur.
Figur 5: Test av viskös modell. X-axeln är typen av viskös modell, siffran 1 representerar Standard k-epsilon-modellen, siffran 2 representerar RNG k-epsilon-modellen, siffran 3 representerar Realizable k-epsilon-modellen, siffran 4 representerar Spalart-Allmaras-modellen, Y-axeln är temperatur. Klicka här för att se en större version av denna figur.
Figur 6: 3D-modell av litiumjonbatteri i en dammfri miljö. 3D-modellen av LIB-paketet, som kan sparas som en X_T fil och importeras till simuleringsprogram för att simulera, ritas av modelleringsprogram. Klicka här för att se en större version av denna figur.
Figur 7: Känslighetsanalys av parametrar. Siffran på x-axeln representerar den n:te kombinationen av inloppsluftflödeshastigheter. Till exempel representerar siffran 5 hastighetskombinationen (3,5,7) som motsvarar 3 m/s vid inlopp1, 5 m/s vid inlopp2, 7 m/s vid inlopp3. På samma sätt representerar siffran 1,2,3,4,6 den olika kombinationen av inloppsluftflödeshastighet (5,5,5), (4,5,6), (5,6,4), (5,4,6), (3,5,7), (5,3,7), (5,7,3), respektive. Y-axeln är temperatur. Klicka här för att se en större version av denna figur.
Figur 8: Temperaturvariation i batteripaketet vid olika inloppsluftflödeshastigheter. Figuren visar att den maximala batteritemperaturen minskar med ökningen av inloppsluftflödets hastighet. X-axeln är hastigheten för luftflödeshastighetsökningen vid inlopp. Y-axeln är temperatur. Klicka här för att se en större version av denna figur.
Figur 9: Jämförelse av batteripaketets temperaturfördelning i olika miljöer. (A) Denna bild visar batteripaketets temperaturfördelning i en dammfri miljö. (B) Denna figur visar batteripaketets temperaturfördelning i en dammig miljö, från vilken temperaturen är högst i batteri nummer 2. Klicka här för att se en större version av denna figur.
Figur 10: Jämförelse av batteritemperaturfördelning nummer 2 i olika miljöer. (A) Denna figur visar temperaturfördelningen för batteri nummer 2 i en dammfri miljö. (B) Denna figur visar temperaturfördelningen för batteri nummer 2 i en dammig miljö. Klicka här för att se en större version av denna figur.
Bild 11: Felanalys av modellen för approximationsresponsytan. Figuren indikerar att approximationsmodellen för kvadratiska polynomresponsytor har god passningsnoggrannhet. Klicka här för att se en större version av denna figur.
Figur 12: Jämförelse av batteriets temperaturfördelning nummer 2 under olika inloppsluftflödeshastigheter. (A) Denna figur visar temperaturfördelningen för batteri nummer 2 genom att bara öka själva inloppsluftflödeshastigheten. (B) Denna figur visar temperaturfördelningen för batteri nummer 2 efter optimering av inloppsluftflödets hastighet. Klicka här för att se en större version av denna figur.
Figur 13: Jämförelse av batteripaketets temperaturfördelning före och efter optimering. (A) Denna figur visar batteripaketets temperaturfördelning i en dammig miljö utan optimering. (B) Denna figur visar batteripaketets temperaturfördelning i en dammig miljö efter optimering. Klicka här för att se en större version av denna figur.
Figur 14: Jämförelse av batteripaket effektiviserar distributionen före och efter optimering. (A) Denna figur visar den strömlinjeformade fördelningen av batteripaketet i en dammig miljö utan optimering. (B) Denna figur visar den strömlinjeformade fördelningen av batteripaketet i en dammig miljö efter optimering. Klicka här för att se en större version av denna figur.
Figur 15: Tre faktorers inverkan på temperaturen. (A) Denna figur visar effekterna av x1 och x2 på temperaturen. (B) Denna figur visar effekterna av x1 och x3 på temperaturen. Klicka här för att se en större version av denna figur.
| Mediets namn | ρ/kg·m-3 | C/J· (kg· K)-1 | K/W (m·K)-1 |
| luft Material | 1.225 | 1006.43 | 0.0242 |
| batteri Material | 1958.7 | 733 | kx=3,6,ky=kz=10,8 |
| dpm-material | 2870 | 910 | 1.75 |
| batterilåda Material | 7930 | 500 | 16.3 |
Tabell 1: Materialegenskaper. Materialegenskaperna som motsvarar luft, batteri, dammpartiklar och batterilåda kommer att användas i simuleringsprogrammets parameterinställningar.
| Nummer | Inlopp1(m/s) | Inlopp2(m/s) | Inlopp3(m/s) | Maximal temperatur på batteripaketet (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 |
Tabell 2: Känslighetsanalys av parametrar. Tabellen visar de sju kombinationerna av inloppsluftflödeshastigheter och motsvarande maximala temperatur för batteripaketet. Siffran 5 representerar till exempel hastighetskombinationen (3,5,7) som motsvarar 3 m/s vid inlopp 1, 5 m/s vid inlopp 2, 7 m/s vid inlopp 3 och motsvarande batteripaketets maximala temperatur på 311,54599 K.
| Nummer | Inlopp1(m/s) | Inlopp2(m/s) | Inlopp3(m/s) | Maximal temperatur på batteripaketet (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 |
Tabell 3: Hastighets- och temperaturmatriser som används för kvadratisk responsytemodell. De olika kombinationerna av luftflödeshastighet vid inlopp kan genereras slumpmässigt av OLHA, och motsvarande maximala temperaturer beräknas av simuleringsprogramvaran.
| Namn | Inlopp1(m/s) | Inlopp2(m/s) | Inlopp3(m/s) | Maximal temperatur på batteripaketet (K) |
| Optimering resultat | 5.5 | 5 | 5.5 | 309.39142 |
| Resultat av simuleringsverifiering | 5.5 | 5 | 5.5 | 309.392853 |
Tabell 4: Jämförelse mellan resultaten av optimerings- och simuleringsverifieringen. Lämplig kombination av luftflödeshastighet vid inlopp och motsvarande temperatur kan erhållas genom optimering, vilket också har visat sig vara korrekt genom simuleringsverifieringen.
| Namn | Inlopp1(m/s) | Inlopp2(m/s) | Inlopp3(m/s) | Maximal temperatur på batteripaketet (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 |
Tabell 5: Jämförelser av inloppens luftflödeshastighet och maximal temperatur för batteripaketet under olika förhållanden. (A) Batteripaketet under normal inloppsluftflödeshastighet och fri dammmiljö. (B) Batteripaketet under normal inloppsluftflödeshastighet och dammig miljö. (C) Batteripaketet under inloppens luftflödeshastigheter ökar och dammig miljö. (D) Batteripaketet under optimerade luftflödeshastigheter och dammig miljö.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
BTMS som användes i denna studie fastställdes baserat på luftkylningssystemet på grund av dess låga kostnad och enkelhet i strukturen. På grund av den låga värmeöverföringskapaciteten är luftkylningssystemets prestanda lägre än för vätskekylsystemet och fasändringsmaterialkylsystemet. Vätskekylsystemet har dock nackdelen med köldmedieläckage, och fasförändringsmaterialets kylsystem har hög massa och låg energitäthet29. Dessa kylsystem har sina fördelar och nackdelar. Därför kan BTMS etableras genom att kombinera ett luftkylningssystem med ett vätskekylsystem eller ett fasomvandlingsmaterialkylsystem för att främja kylprestanda.
En CFD-lösare implementerades för att simulera modellens flödes- och temperaturprofil. De styrande ekvationerna30, såsom kontinuitet (2) och energibesparingsekvationen (3), användes för att lösa det tidsberoende termiska problemet med luftflödet.
Där p, k och c är egenskaperna hos den använda luften, som är densitet, värmeledningsförmåga respektive specifik värme; T, och 
är det statiska trycket, temperaturen och hastigheten för kylluften.
Rörelsemängdsekvationer31
Där ui och uj är Reynolds-medelhastighetskomponenter; xi och xj är kartesiska koordinater; P är Reynolds-medelvärdestrycket; μ är dynamisk viskositet; μt är turbulent dynamisk viskositet. k är turbulent kinetisk energi, ε är turbulent kinetisk energiförlusthastighet.
Reynoldstalet baserat på inloppsflödeshastigheten (v=5 m/s) och den ekvivalenta diametern uppskattades till 0,0242308; Reynoldstalet beräknas som 9894, vilket innebär att en turbulensmodell av standardmodellen k-e valdes.
Reynolds talekvation32
Där Pl är densiteten, Vmax är vätskans maximala flödeshastighet, D är behållarens ekvivalenta diameter och ul är vätskans dynamiska viskositet.
Turbulent kinetisk energiekvation33
där kt och ε är den turbulenta kinetiska energin respektive turbulensförlusthastigheten, uj är den j:e komponenten i hastighetsvektorn, och μ och ut är den molekylära respektive turbulenta dynamiska viskositeten; Gkt och Gb är den turbulenta kinetiska energiproduktion som orsakas av medelhastighet respektive turbulent kinetisk energiproduktion till följd av flytkraftseffekter. YM representerar inverkan av den fluktuerande dilatationen som är inkompressibel turbulent till summan av förlusthastigheterna; Skt är källtermen för kt; αkt är det omvända effektiva Prandtl-talet för kt.
Ekvation för avledning av turbulent kinetisk energi33
Där Sε är källtermen för ε; αt är det omvända effektiva Prandtl-talet för ε; C1ε , C2ε och C3ε är empiriska konstanter.
För battericellerna är energibesparingsekvationen34
Där Q, kb, cb; och PB representerar den genererade värmen, värmeledningsförmågan, den specifika värmekapaciteten respektive batteriets densitet.
Formel för varmluftskonvektion35
där hf representerar konvektionsvärmeöverföringskoefficienten; Ts representerar yttemperaturen för LIB; TB representerar den omgivande luftens temperatur; och q* representerar konvektionsvärmeöverföringshastigheten.
BTMS-systemets inlopp var inställt på ett gränsvillkor för hastighet-inlopp på 5 m/s och en temperatur på 300 K medan systemets utlopp konditionerades till tryckutlopp med det omgivande trycket inställt på atmosfärstryck. Väggarna runt systemet är inställda för naturlig konvektion.
Denna uppsats påbörjade forskningen under förutsättning att strukturen på batteripaketmodellen bestämdes, damm som täcker batteriets yta kommer att få batteriets temperatur att stiga. Sedan presenterar vi ASAM för att optimera en ungefärlig QRSM och uppfylla temperaturfallen tillbaka genom den optimala luftflödeshastighetskombinationen av systeminlopp för att lösa problemet med DPM-effekt. Det bör nämnas att placeringen av batteripaketets luftintag och luftutlopp också har stor inverkan på temperaturen på BTMS14.
Det finns några viktiga steg i protokollet. När du skapar 3D-modellen av batteripaketet, ge varje kropp och yta i modellen ett igenkännbart namn för efterföljande materialtillsatsmaterial, skapande av nätgränssnitt och inställning av randvillkor. När du använder simuleringsprogramvaran är det nödvändigt att ställa in varje parameter exakt, särskilt parameterns enhet.
När det gäller anpassningsmodellen är felanalys viktig vid modellering av svarsytan, om det godtyckliga felet inte kunde uppfylla motsvarande acceptabla standarder, bör fler provpunkter läggas till för att delta i modellanpassningen tills felet når de acceptabla standarderna. När simuleringsprogrammet har importerat rutnätsmodellen felsöker du nätmodellen och klickar på Kontrollera för att kontrollera om nätet har en negativ volym. Om det finns något problem med det delade rutnätet eller modellinställningarna kommer ett felmeddelande att dyka upp.
Den största begränsningen med denna studie är att den geometriska modellen som används i simuleringen härleds genom att förenkla den realistiska batteripaketmodellen, det är nästan omöjligt att fullt ut återspegla verkligheten. Då är det osannolikt att de randvillkor som ställs är förenliga med den faktiska situationen. Beräkningsresultaten är också olika beroende på olika beräkningsteorier. För att underlätta simuleringen förenklade vi batteriets värmegenereringsmodell, batteriets genomsnittliga värmegenereringshastighet är 20,993 kW/m3 som den interna värmekällan36,37.
Betydelsen för befintliga metoder och eventuella framtida tillämpningar av tekniken:
Detta protokoll kommer att hjälpa till att etablera en optimeringsmetod samtidigt som man tar hänsyn till energiförbrukning och termisk prestanda för batterihanteringssystemet, och det kan användas i stor utsträckning för att förbättra batteripaketets livscykel med minimal driftskostnad. Denna teknik kan också användas inom mekanisk design, arkitektonisk design och andra områden.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna har inget att avslöja.
Acknowledgments
Vissa analys- och optimeringsprogram stöds av Tsinghua University, Konkuk University, Chonnam National University, Mokpo University och 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).
