《Case Studies in Thermal Engineering》：Pareto-Based Multi-Objective Design of Battery Cold Plates with Leaf-Inspired Bifurcations Using Arithmetic Optimization Algorithm and WASPAS Technique
编辑推荐：
高效的热管理对于确保锂离子（Li-ion）电池的安全性、可靠性和寿命至关重要，然而液冷板（LCP）设计在平衡冷却效率与水力性能方面仍面临持续挑战。本研究提出了一种基于人工智能的集成工作流，用于设计和优化具有叶脉仿生分支几何结构的液冷板（LCP）。该框架包含四个
高效的热管理对于确保锂离子（Li-ion）电池的安全性、可靠性和寿命至关重要，然而液冷板（LCP）设计在平衡冷却效率与水力性能方面仍面临持续挑战。本研究提出了一种基于人工智能的集成工作流，用于设计和优化具有叶脉仿生分支几何结构的液冷板（LCP）。该框架包含四个连续阶段：数据分析、基于GMDH型人工神经网络（GMDH-type ANN）的预测建模、通过多目标算术优化算法（MOAOA）和多目标粒子群优化（MOPSO）进行的帕累托（Pareto）优化，以及采用WASPAS决策方法的最终设计排序。GMDH模型展现出高预测精度，热阻和压降的决定系数（R2）均大于0.99。MOAOA和MOPSO产生的帕累托前沿几乎相同，证实了在捕获热性能与水力性能之间权衡时的鲁棒性。优化后的输入参数揭示了在质量流量为0.8–1.5 g/s、通道宽度约3.7–3.9 mm、通道高度为2.4–2.5 mm时的平衡设计，实现了0.25–0.35 K/W的热阻和10–25 Pa的压降，确保了高效冷却且无过度的水力损失。决策分析揭示了针对不同情境的最优设计，从以高压降（106.81 Pa）为代价实现超低热阻（0.1793 K/W）到以最小泵送损失（ΔP = 2.14 Pa）实现节能方案。
**论文解读：基于帕累托多目标优化的叶脉仿生液冷板设计**
**研究背景与问题**
锂离子电池（LIB）在电动汽车（EV）中广泛应用，其高效热管理对保障安全性、可靠性和寿命至关重要。然而，液冷板（LCP）设计面临冷却效率与水力性能之间的固有矛盾：降低热阻（TR）通常导致压降（ΔP）升高，增加泵送能耗。现有研究多采用固定设计或基于仿真的参数调优，耗时且难以捕捉复杂非线性热行为。此外，传统方法在集成预测建模、元启发式优化与多准则决策（MCDM）方面存在不足。为此，研究人员提出了一种集成人工智能（AI）工作流，旨在系统优化具有叶脉仿生分支几何结构的LCP，实现热-水力性能平衡。
**研究内容与结论**
本研究开发了四阶段框架：数据分析、基于GMDH型人工神经网络（GMDH-type ANN）的代理模型、多目标算术优化算法（MOAOA）与多目标粒子群优化（MOPSO）的帕累托优化，以及WASPAS决策方法排序。结果表明，GMDH模型预测精度极高（R2>0.99），MOAOA与MOPSO生成的帕累托前沿几乎一致，验证了鲁棒性。优化后的设计在质量流量0.8–1.5 g/s、通道宽度约3.7–3.9 mm、高度2.4–2.5 mm时，实现了0.25–0.35 K/W的热阻与10–25 Pa的压降。WASPAS分析揭示了五种典型场景，从极端热性能优先（TR=0.1793 K/W，ΔP=106.81 Pa）到水力效率优先（ΔP=2.14 Pa，TR=1.3456 K/W），展示了不同优先级下的最优配置。该研究为高效、节能的电池热管理提供了系统化设计指南，论文发表在《Case Studies in Thermal Engineering》。
**主要关键技术方法**
研究人员采用GMDH型神经网络（GMDH-type ANN）建立代理模型，基于数据集（源自Zhang et al. [52]的CFD仿真与实验验证）预测热阻和压降。随后应用多目标算术优化算法（MOAOA）和多目标粒子群优化（MOPSO）进行帕累托优化，搜索最优几何与操作参数。最后利用WASPAS（加权聚合和积评估）方法对帕累托解进行多准则决策排序，以平衡热效率与水力性能。
**研究结果**
**3.3 模型评估**：通过统计指标评估GMDH模型。对于热阻（TR），测试集均方误差（MSE）为5.83×10??，平均绝对百分比误差（MAPE）为0.561%，决定系数（R2）为0.99992，一致性指数（IA）为0.99998。对于压降（ΔP），测试集MSE为2.544，MAPE为5.514%，R2为0.99374，IA为0.99839，表明模型预测精度高且泛化能力强。
**4.3 帕累托最优点**：通过MOAOA和MOPSO生成帕累托前沿，展示了TR与ΔP之间的权衡。分析表明，质量流量（MFR）增加显著降低TR但急剧升高ΔP；通道宽度（CW）增大降低TR但增加ΔP；通道高度（CH）在1.5–2.2 mm时TR较低，超过2.4 mm后TR增加；分支角（α）接近45°时最优；分支间距（CS1和CS2）增大降低TR，但CS2超过10–14 mm后ΔP上升。多数帕累托解集中在高MFR（1.9–2 g/s，44%）和宽CW（3.9–4 mm，55%）区域，强调高流量与大通道尺寸对冷却效率的优先。
**5.2 设计点**：通过WASPAS进行多准则决策，生成五种典型场景。场景A（TR权重1，ΔP权重0）实现最低TR=0.1793 K/W但ΔP=106.81 Pa；场景B（反之）实现最低ΔP=2.14 Pa但TR=1.3456 K/W；场景C（等权重）平衡TR=0.2845 K/W与ΔP=16.71 Pa；场景D（TR:ΔP=3:1）获得TR=0.2267 K/W与ΔP=23.97 Pa；场景E（1:3）获得TR=0.4495 K/W与ΔP=9.48 Pa。这些场景展示了不同设计优先级下的最优配置，指导实际应用选择。
**讨论与结论**
讨论部分强调，帕累托最优解揭示了热阻与压降之间不可调和的权衡，没有单一设计能同时最小化两者。通过WASPAS方法，研究人员能够在不同权重下选择符合系统需求的配置。研究结论（翻译自原文Conclusion部分）指出：本研究提出了一个集成人工智能框架，用于系统设计和优化具有叶脉仿生分支几何结构的液冷电池冷板，核心目标是增强锂离子电池热管理，实现冷却性能与水力效率的有效平衡。结果证实了热阻（TR）与压降（ΔP）之间明确且不可避免的权衡。极低热阻值（低至0.1793 K/W）可实现，但需付出显著水力代价（ΔP高达106.81 Pa）。相反，最小化压降的设计（低至2.14 Pa）表现出显著更高的热阻。中间配置实现了平衡性能，TR在0.25–0.35 K/W范围内，压降在10–25 Pa之间。这些发现表明，实际LCP设计应在中等质量流率范围内结合优化通道尺寸，以确保高效冷却且不造成过度泵送功率。决策分析场景进一步展示了不同优先级设置如何导致截然不同的最优配置，从需要强力冷却的高功率应用（如电动汽车LIB模块）到优先考虑泵送效率的节能系统（如便携式电子设备）。这确认了没有单一设计普遍优于其他设计；相反，最优性取决于系统级需求。尽管研究为LCP设计提供了可操作的指导，但分析仅限于稳态条件和计算生成的数据集。未来研究方向包括对优化配置的实验验证、考虑瞬态电池行为，以及整合可制造性和耐久性约束，以增强框架的工业适用性。
