牵引逆变器冷却系统中针翅阵列的优化：基于CFD仿真、深度神经网络和进化算法的框架

《Engineering Science and Technology, an International Journal》：Optimization of pin-fin arrangement in traction inverter cooling systems: A framework based on CFD simulations, deep neural networks and evolutionary algorithms

高效热管理对牵引逆变器可靠性至关重要，但传统CFD优化计算成本高。本文提出基于代理模型的优化框架，通过简化几何模型生成大规模CFD数据，构建双输出DNN预测压力损失和壁温，误差分别低于3%和1%。结合NSGA-III多目标优化算法，在简化模型中优化几何参数（直径、间距、高度、粗糙度等），并在全尺度工业模型验证中实现压力损失降低25%、温度降低约2%。结果表明，代理模型结合GPU加速计算显著提升效率，NSGA-III在保持多样性前提下优化效果优于NSGA-II。

　　在当前快速发展的电动汽车领域，牵引逆变器作为关键的电力电子组件，其热管理性能对整体系统效率和可靠性具有重要影响。随着半导体技术的进步，特别是宽禁带半导体材料如碳化硅（SiC）的广泛应用，逆变器在高温下仍能保持高效运行，这对热管理提出了更高的要求。传统的直接优化方法通常需要大量的计算资源，因此，研究者们正在探索更高效的设计优化策略，以实现热和流体性能的提升，同时降低计算成本。本文提出了一种基于代理模型的优化框架，结合计算流体动力学（CFD）、深度神经网络（DNN）和多目标进化算法，用于提升汽车牵引逆变器冷却系统的热和流体性能。

### 1. 研究背景与动机

随着电动汽车的普及，对高效率和高性能的汽车系统的需求不断增长。这一趋势推动了半导体行业的创新，特别是宽禁带半导体材料的应用，如碳化硅（SiC）。SiC器件相比传统硅（Si）器件具有更高的效率和更好的温度耐受性，能够在更高的工作温度下保持稳定性能。这使得SiC功率MOSFET成为当前研究的热点，因其在高开关频率、低功耗和高温度耐受性方面的优势。为了充分发挥SiC器件的潜力，必须优化其热管理方案，确保其在高温条件下仍能保持高效运行。现有的冷却技术虽然先进，但在实际应用中仍面临成本、流体稳定性以及集成方面的挑战。因此，传统的扩展表面、涡流发生器和针鳍散热器等方法依然被广泛采用。然而，这些方法在优化过程中需要处理多个相互影响的参数，增加了设计的复杂性。为了解决这一问题，研究者们开始引入基于深度学习的优化方法，如深度神经网络（DNN）与遗传算法（GA）的结合，以实现多目标优化。

### 2. 方法概述

本文提出了一种集成的优化框架，用于提升牵引逆变器冷却系统的热和流体性能。该框架采用CFD模拟生成数据集，使用深度神经网络进行建模，最后通过多目标遗传算法（NSGA-III）进行优化。首先，通过简化ACEPACK? DRIVE功率模块的几何结构，生成大量CFD模拟数据，以训练DNN模型。简化几何结构减少了计算负担，同时保留了关键的热和流体特征。接下来，DNN模型被用来预测压降和加热壁温度，其误差低于3%和1%。通过训练和验证，该模型能够准确地捕捉参数与性能之间的非线性关系。随后，NSGA-III算法用于优化关键几何参数，包括针鳍直径、间距、高度、壁间距以及针鳍表面粗糙度。这种方法在计算效率和优化效果上均表现出色，使得复杂的多目标优化问题变得可行。

### 3. CFD模型与数据生成

为了提高计算效率，研究者们采用了一种简化几何模型进行CFD模拟。该模型排除了水套的入口和出口，聚焦于针鳍的排列和表面粗糙度。通过这种简化，研究人员能够在不牺牲关键流体特征的情况下减少计算量，从而生成足够的数据集用于训练DNN模型。此外，为了验证模型的可靠性，进行了多组网格独立性分析，并选择了几种具有代表性的几何配置进行验证。结果表明，网格尺寸为0.5 mm时，模型的预测结果具有良好的稳定性和准确性，同时显著降低了计算时间。该研究还使用了ANSYS Fluent中的GPU求解器，进一步提升了计算效率，使得每个案例的模拟时间从8–10分钟减少到0.75–1.5分钟。

### 4. 神经网络模型

DNN模型被用来预测压降和加热壁温度，其输入参数包括针鳍直径、纵向和横向间距、针鳍高度以及表面粗糙度。为了提高模型的泛化能力，输入参数和输出变量都经过标准化处理，使得模型能够在不同的几何配置中保持一致的预测性能。训练过程中，数据集被分为训练集（80%）、验证集（10%）和测试集（10%），以确保模型的泛化能力。经过100个训练周期后，模型在测试集上表现出良好的性能，误差率较低，且能够捕捉到参数与性能之间的复杂关系。

### 5. 多目标优化策略

在多目标优化过程中，NSGA-III算法被用来生成帕累托最优前沿。该算法通过引入参考点，提高了在高维优化空间中保持解多样性的能力。研究者们比较了NSGA-II和NSGA-III的性能，发现NSGA-III在大多数情况下表现更优，尤其是在压降和温度之间取得平衡时。通过调整算法参数，如种群规模、交叉和变异概率，研究者们进一步优化了NSGA-III的性能。结果表明，NSGA-III在帕累托前沿的收敛性和多样性方面优于NSGA-II，特别是在处理多个优化目标时。

### 6. 优化结果与讨论

优化结果表明，所提出的框架能够显著提升牵引逆变器的热和流体性能。在简化几何模型上，优化后的配置能够减少压降高达25%，并降低接合点温度约2%。这些结果在实际的工业几何模型中也得到了验证，表明该方法具有良好的通用性和鲁棒性。此外，通过对比不同流速下的性能，研究者们发现优化后的配置在较低流速下仍能保持良好的性能，进一步证明了其鲁棒性。在实际应用中，由于相邻开关之间的热耦合效应，简化模型中的某些优化配置在实际系统中可能效果不如预期，但整体趋势仍然有效。研究还指出，表面粗糙度是一个重要的设计变量，对热和流体性能有显著影响，因此将其纳入优化过程是必要的。

### 7. 结论

本文提出了一种基于代理模型的优化框架，有效提升了牵引逆变器冷却系统的热和流体性能。该框架通过简化几何结构和引入GPU加速的CFD模拟，显著降低了计算成本，同时保持了模型的准确性。DNN模型在预测压降和温度方面表现出色，而NSGA-III算法在多目标优化中具有优势，能够生成高质量的帕累托前沿。研究结果表明，该方法在实际工业应用中具有良好的通用性和鲁棒性，能够为未来的研究提供基础。未来的工作将集中在如何将该方法应用于更复杂的优化问题，如热分布的均匀性、系统重量的减少以及在动力总成中的集成约束。此外，还将比较DNN与其他代理模型（如径向基函数和克里金模型）的性能，以进一步验证其有效性。