基于人工神经网络与遗传算法优化的一种新型带翅片增强隔室的相变材料锂离子电池热管理系统

《International Communications in Heat and Mass Transfer》：A novel phase change material-based thermal management system with fin-enhanced compartments for lithium-ion batteries optimization using artificial neural network and genetic algorithm

　　

摘要

高功率锂离子电池技术的迅猛发展加剧了对高效电池热管理系统（BTMS）的需求。在连续循环过程中产生的过量热量不仅会加速性能退化，还会引发热失控等安全风险。相变材料（PCM）因其潜热存储能力而被视为一种有前景的解决方案。然而，其天然的热导率低、泄漏风险以及有限的结构适应性仍是关键挑战。本研究针对LiCoO?-26650电芯提出了一种新型基于PCM的BTMS，设计了一种可容纳十节电池的圆柱形电池组。该系统的独特创新之处在于为每节电芯设置了专用的PCM封装，且封装与电池表面完全隔离，以防止直接接触型PCM配置中常见的泄漏、污染和潜在短路风险。为克服PCM热导率低的问题，在每个封装中嵌入了三片铝翅片（一片中央片和两片侧片）。翅片长度以及电池与壁面的距离作为变量几何参数，决定了系统的整体散热能力。在不同几何构型下进行了高保真数值模拟，以评估连续工作条件下的热行为。这些结果随后被用于开发一个鲁棒的神经网络（ANN），以准确预测电池表面平均温度。最后，引入遗传算法（GA）进行单目标优化，确定使电池温度最低的最优翅片和封装构型。ANN预测模型的R2达到0.977，表明ANN能够捕捉电池温度方差的97.7%。在最佳电池温度方面，从（无PCM情况下的）323.137 K降至（无翅片情况下的）约310.15 K，对应约13 K的降幅。在无PCM系统中，温升达到25.987 K。引入PCM但不加翅片（无翅片系统）时，温升降至13.35 K，与无PCM配置相比冷却性能提升了约48.6%。在最后一步中，当在优化设计中将翅片与PCM结合使用时，电池温度从约310.15 K进一步降至307.201 K，对应额外约3 K的降幅。在优化设计中，温升进一步降至10.051 K，表明与无PCM系统相比冷却性能提升了61.3%，与无翅片设计相比提升了24.7%。

引言

交通部门长期以来被认为是最大的化石燃料消耗领域之一，因为传统车辆由内燃机驱动[1]。对石油基能源的依赖引发了对自然资源枯竭、燃料价格波动以及燃烧产生的严重后果的日益增长的担忧[2]。化石燃料的燃烧向大气中释放大量温室气体和有害污染物，导致全球变暖、空气质量下降并危害人类健康[3]。随着城市化和移动需求的持续增长，对更清洁、更可持续的能源解决方案的需求变得日益紧迫[4]。近年来，车辆电动化作为一种克服上述挑战的实用策略而受到广泛关注[5]。该技术不仅提高了整体能源效率，也是迈向无碳未来的重要一步[6]。

电动汽车主要使用锂离子电池，由于其出色的电化学特性和相比传统电池技术的优异性能，锂离子电池已成为首选的能量存储系统[7]。其高比能量密度使车辆每次充电后可以行驶更长的距离，而较长的循环寿命确保了可靠耐用的运行[8]。此外，锂离子电池具有低自放电率和短充电时间，使其在日常使用中具有很高的效率[9]。值得注意的是，这些能量支持设备也广泛应用于便携式电子系统，如智能手机、笔记本电脑和电动工具，在这些系统中紧凑性和稳定的功率输出至关重要[10]。尽管有这些优势，锂离子电池的性能受其工作温度的影响很大[11]。通常，有效运行的最佳温度范围在20°C至45°C之间，且电池组中的最大温度偏差应小于5°C[12]。当温度超过此范围时，可能会加速材料退化、造成容量损失，甚至引发热失控，带来严重的安全隐患[13]。因此，设计一种能够将电芯温度维持在理想范围内的电池热管理系统（BTMS）至关重要[14]。

基于不同的传热机制和冷却介质，已开发了各种BTMS策略，可大致分为风冷、液冷和相变材料（PCM）系统[15]。风冷是最简单且最具成本效益的方法，利用强制对流或自然对流从电池表面散热[16]。然而，有限的传热能力使其对高功率或高密度电池模块不太有吸引力[17]。另一方面，液冷系统使用流经电芯邻近通道或板片的冷却剂[18]。该方法提供了更高的热移除效率和更均匀的温度分布，但涉及额外的复杂性、重量和潜在泄漏风险[19]。与上述两种方法相比，基于PCM的冷却系统利用熔化潜热来稳定电池温度，具有独特优势[20]。与依赖连续能量输入的对流方法不同，PCM在熔化过程中吸收并储存过量热能，即使在瞬态工况下也能将电芯保持在期望的温度窗口内[21]。在冷却过程中，储存的能量在PCM凝固时释放，从而实现无需主动控制的自调节热循环[22]。这种被动机制不仅确保了优异的温度均匀性和增强的安全性，还最大限度地减少了系统复杂性和能耗[23]。

然而，PCM的低热导率限制了其热响应，促使使用翅片和肋片等扩展表面来增强PCM基质内的热扩散和传热[24]。这加速了熔化和凝固过程，从而提高了基于PCM的BTMS的整体效果。最近研究了各种翅片几何形状，包括圆形、分枝形、螺旋形和扩展表面构型[25]。然而，先前的研究主要关注于优化翅片拓扑结构或单个几何参数，而电池定位、PCM隔室设计和导热路径的耦合影响受到关注的程度有限[26]。由于BTMS的复杂性，用于分析其传热性能的标准实验和数值方法常常遇到重大挑战[27]。此类系统的热响应受耦合过程的控制，包括电化学反应、内部产热、冷却材料中的相变以及紧凑几何形状内的瞬态能量传递[28]。准确捕捉所有这些相互作用需要详细的模型和大量的计算工作，而实验则需要多个原型和精密的仪器，这使得它们既耗时又昂贵[29]。为了缓解上述困难，人工神经网络（ANN）作为一种新兴的替代方案应运而生[30]。通过在精心设计的数据集上进行训练，ANN可以快速准确地预测新几何和工作条件下的系统性能[31]。最近，这种能力导致了对使用ANN模型进行BTMS分析和优化的日益增长的兴趣[32]。Khaboshan等人[33]研究了一种结合翅片和PCM的BTMS，以在变化条件下调节电池温度。他们的结果表明，与纯PCM相比，增加翅片长度和数量可将电池温差在正常条件下减少约75%，在恶劣条件下减少66%。作者随后提出了一个ANN模型来估计系统在PCM液相分数和电池组温度方面的行为。结论是该模型达到了优异的准确性，PCM熔化的R2值为0.98，电池温度的R2值为0.99。Li等人[34]将ANN应用于基于PCM的电池冷却系统优化。研究考虑了11个输入参数，这些参数在指定范围内同时变化以确定最优构型。模型确定了PCM和液体属性的最优组合，包括热导率、潜热和层厚度。研究发现，这种最优结构显著增强了热管理，将电池最高温度降低了4.26%，并将电池组的温差减小了10.8%。

与其采用已在电池热管理领域得到研究的PCM冷却、翅片、人工神经网络或遗传算法，本研究聚焦于开发并优化一种独特的隔室化环形BTMS架构及其相关的基于物理的设计框架。所提出的系统由一个具有中心圆形开口和外周边界的圆柱形电池组组成，提供两条向周围环境排热的潜在路径。电池组被分为十个独立的扇形隔室，每个隔室包含一节LiCoO?-26650电芯和一个专用的PCM封装。PCM与电池表面物理隔离，同时每个封装中嵌入一片中央和两片侧向铝翅片，以提供通过PCM的导热路径。因此，电池到壁面的距离和翅片尺寸共同控制着电池、PCM以及内外铝边界之间的传热路径。与规定电池产热作为外部热源的简化BTMS模型不同，本研究采用MSMD框架结合Newman–Tiedemann–Gu–Kim（NTGK）电池模型来表示电芯的电化学–热行为并生成相应的热负荷。随后，所得的高保真三维模拟结果被用于开发一个ANN代理模型，该模型以耦合几何参数为函数预测电池温度。最后，采用遗传算法搜索所得的设计空间，确定使电池表面平均温度最小化的几何形状。因此，本工作的主要贡献是开发了一种针对所提出的环形隔室化PCM–翅片BTMS的几何特异性的、基于物理的ANN–GA优化框架。表1总结了代表性基于PCM的BTMS研究与本工作的比较，突出了电池配置、冷却策略、翅片设计、优化方法和建模方法之间的差异。

分段摘要

所提出冷却系统结构的详细描述

基于PCM的BTMS的几何构型如图1所示，由三个主要部件组成。图1a展示了整个模块，它通过中心孔和外切面与周围环境进行热交换。这种双路径设计促进了更高效的散热，有助于延缓运行过程中的温升。如图所示，每节电池电芯都包含在一个独立的扇形封装中，与相邻封装分离。

人工神经网络（ANN）的开发和训练过程

人工智能和数据驱动方法的快速进步已变革了各工程领域的科学研究。这些工具使研究人员能够以高精度和较低的计算成本分析复杂系统。在人工智能技术中，ANN已成为捕捉输入参数与系统响应之间非线性关系的最有力工具之一。ANN模仿生物神经系统的结构，使……

PCM-翅片集成BTMS的热性能评估

尽管可用的数值案例数量相对有限，但数据集生成过程受到三维耦合电池–PCM模拟高计算成本的制约。因此，采用全因子设计方法来系统地覆盖所研究的设计空间。通过考虑三个几何参数（L、a和b）在三个水平上的变化，生成了27个模拟案例（33），确保了所选变量的所有组合。

结论

本研究介绍了一代新型基于PCM的电池热管理架构，专为LiCoO?-26650电芯量身定制。通过设计一种配备独立翅片增强PCM封装的圆柱形多电芯电池组，本研究证明战略性的几何工程可以显著增强潜热和显热吸收。通过在每个PCM封装中策略性地布置翅片，所提出的架构改善了热分布和PCM的……

作者贡献声明

Liu, X.：调查、概念化。Jamadon, N. H.：形式化分析、数据整理。Liu, X.：调查、形式化分析。Barzani, H. A. H.：撰写——审阅与编辑、调查。Althobaiti, M. A. O.：撰写——审阅与编辑、撰写——原稿。Althbiti, A.：验证、调查。Alsairy, N.：资源、形式化分析。Chung, N.：监督、调查。Mahariq, I.：监督、资源、数据整理。Fouad, Y.：……

利益冲突声明

作者声明他们没有已知的可能影响本文所述工作的相互竞争的经济利益或个人关系。

致谢

沙特阿拉伯王国利雅得沙特国王大学持续研究基金项目（ORF-2026-698）。

本研究由山东省高等教育机构未来产业工程研究中心新能源汽车智能网联技术项目资助（项目编号：2025KJS003）。刘贤正 | 纳什拉·哈尼·贾马顿 | 刘小希 | 赫尔门·A.H. 巴尔扎尼 | 穆罕默德·阿卜杜勒哈迪·O. 阿尔索贝提 | 阿什拉夫·阿尔索贝提 | 诺拉·阿尔赛里 | 阮忠 | 易卜拉欣·马哈里克 | 亚瑟·富阿德