电动汽车锂离子电池中采用微通道冷却和铜泡沫增强相变材料的混合热管理系统优化

《Journal of Energy Storage》：Optimization of hybrid thermal management system in electric vehicle lithium-ion battery using mini-channel cooling and copper-foam-enhanced phase change material

　　

摘要
在现代电动汽车（EV）发展过程中，锂离子电池（LIB）的热控制和调节是最关键挑战之一。电池在安全温度范围内运行至关重要，这可以防止热失控和电池退化。过去几十年进行了大量研究，以调节LIB的热性能并稳定其表面温度（ST）。本研究探讨了电池冷却系统的三种情况，包括被动、主动和混合系统。识别了每种情况的不足，并在情况3中，针对单个26,650 LIB开发了一种新颖、优化的混合电池热管理系统（BTMS）。该系统将螺旋微通道集成在铜泡沫增强的石蜡RT-35相变材料（PCM）内。系统几何参数的变化影响温度降低性能。因此，研究人员研究了与螺旋微通道、PCM和铜泡沫相关的三个几何参数，旨在优化冷却机制的设计并最小化ST。采用数值方法、遗传算法（GA）以及人工神经网络（ANN）来优化系统性能。随后将最优混合设计扩展到包含9个电池的电池包。研究结果表明，主动和被动技术的结合显著提高了BTMS的效率。在三种情况中，混合热管理系统表现出最低的ST，混合冷却系统设计中的测试3在温度降低方面实现了最高效率，并证明是最优混合BTMS，相对于纯PCM性能提升92.46%，相对于情况2的液体冷却系统提升22.5%。

论文解读文章

**研究背景与问题**

现代电动汽车（EV）的普及依赖于锂离子电池（LIB）的性能与安全性，而电池工作温度是核心因素。理想温度范围为288 K至308 K，超出此范围会导致锂沉积、枝晶形成甚至热失控，同时加速电池退化。现有冷却技术包括空气冷却、液体冷却、相变材料（PCM）冷却及热电冷却等，但各方法均存在局限：空气冷却比热容低、效果有限；液体冷却虽高效但能耗高且温度均匀性有待提升；纯PCM导热系数低，需借助高导热增强剂（如金属泡沫、纳米颗粒）。为解决单一冷却方法的不足，混合热管理系统（BTMS）成为研究热点，但几何参数与材料性能的协同优化仍缺乏系统研究。因此，本研究旨在开发一种新型混合BTMS，结合螺旋微通道液体冷却与铜泡沫增强PCM，并通过数值模拟与机器学习优化设计，实现电池表面温度（ST）的最小化。

**研究内容与结论**

研究人员针对单个26,650 LIB，设计了三种冷却方案：被动冷却（纯PCM及铜泡沫增强PCM，即CPCM）、主动冷却（螺旋微通道液体冷却）以及混合冷却（PCM+铜泡沫+螺旋微通道）。通过数值模拟分析系统在3C放电率下的热行为，并采用全因子实验设计研究了三个关键几何参数：螺旋微通道螺距（D_pitch）、PCM厚度（L_PCM）和铜泡沫孔隙率（ε）。基于27组数值结果，构建了人工神经网络（ANN）预测模型，并耦合遗传算法（GA）进行单目标和多目标优化。最优设计（D_pitch=20 mm, L_PCM=8 mm, ε=0.85）使单电池ST降低至304.023 K（1200 s），相比纯PCM性能提升92.46%，相比液体冷却提升22.5%。随后将优化结构扩展至9电池模块，模块内电池间温差仅0.23 K，验证了系统的可扩展性。该论文发表在《Journal of Energy Storage》。

**主要关键技术方法**

研究人员采用的主要关键技术方法包括：（1）数值模拟：基于ANSYS Fluent软件，采用有限体积法（FVM）和SIMPLE算法；使用双电位多尺度多域（MSMD）电池模型及NTGK子模型模拟LIB热行为；采用焓-孔隙率法模拟PCM相变过程，并用Boussinesq近似处理自然对流；采用Brinkman-Forchheimer-extended Darcy模型模拟铜泡沫多孔介质，并通过局部平衡模型描述PCM与泡沫间的热传递。（2）机器学习：构建3-5-2架构的ANN预测模型（5个隐藏层神经元），采用Levenberg-Marquardt训练算法，以全因子法生成的27个数据点训练，通过R2和RMSE评估精度（R2>0.99）。（3）优化算法：使用GA进行单目标和多目标优化，识别最优几何参数组合。样本来源为数值模拟生成的电池热行为数据集，无实验队列。

**研究结果**

**6.1. 情况1的数值结果**
**6.1.1. 熔化性能**：通过对比纯PCM和CPCM的液相分数，CPCM在1200 s内熔化86%的PCM，比纯PCM（59%）性能提升45.76%，表明铜泡沫增强了导热性，促进了更完全的熔化。
**6.1.2. 温度降低性能**：CPCM使电池ST降低16.96 K，比纯PCM性能提升61.89%，而纯PCM仅降低10.47 K，证明了CPCM在均匀散热方面的优势。

**6.2. 情况2的数值结果**
主动液体冷却系统（螺旋微通道+铜套）使ST降低16.45 K，与CPCM效果相近，但主动系统可稳定控制多周期放电，而被动系统在长时间放电后因PCM完全熔化而失效。

**6.3. 情况3的数值结果**
**6.3.1. 电池平均表面温度**：通过27组测试对比，发现较高PCM厚度、较低铜泡沫孔隙率（即更高铜含量）和较高螺距有利于温度降低。测试3（D_pitch=20 mm, L_PCM=8 mm, ε=0.85）在600 s和1200 s均表现最优，ST分别降至303.029 K和304.023 K，总温度降低20.17 K，比纯PCM提升102%，比液体冷却提升27.6%。
**6.3.2. 能量吸收性能**：系统总能量吸收约6600 J，其中液体冷却贡献57.75%，PCM贡献39.47%，铜泡沫本身吸收能量较少但显著提升了热均匀性和导热性。测试1（无铜泡沫）能量吸收最差，表明铜泡沫是提升性能的关键。

**6.4. 机器学习与预测模型结果**
ANN模型采用3-5-2架构，R2>0.99，RMSE<0.078，相对误差低于0.1%，通过K-fold交叉验证和蒙特卡洛不确定性分析确认了模型的稳定性和准确性。参数分析表明，PCM厚度和铜泡沫孔隙率对ST影响显著，而螺距的影响相对较小，且参数效应在600 s和1200 s时一致。

**6.5. 设计优化过程**
**6.5.1. 单目标和多目标优化**：GA优化结果显示，优化设计（OCS1和OCS2）均指向测试3的几何参数，表明短期和长期目标无冲突，且多目标优化结果与单目标一致。该设计使ST降低16.21 K（600 s）和20.16 K（1200 s），显著延长电池寿命。

**6.6. 优化电池包模拟**
将优化设计扩展至9电池模块，采用单电池热生成率（来自NTGK模型）输入各电池，模块平均ST为302.81 K（600 s）和303.35 K（1200 s），电池间温差仅0.23 K，验证了系统在电池包中的可扩展性和均匀散热能力。

**总结与讨论**

本研究通过数值模拟与机器学习优化，提出了一种新型混合BTMS，结合螺旋微通道液体冷却与铜泡沫增强PCM，实现了锂离子电池在3C放电下的高效热管理。结论部分指出：被动冷却中，CPCM比纯PCM性能提升61.83%；主动冷却与CPCM性能相近但可持续性更优；混合系统测试3表现最优，ST降低20.17 K，性能比纯PCM提升92.46%，比液体冷却提升22.5%。优化后的电池包模块温差仅0.23 K，证实了设计的可靠性和鲁棒性。几何参数对温度降低的影响与放电持续时间无关，最优设计为D_pitch=20 mm、L_PCM=8 mm、ε=0.85。ANN预测模型精度高（R2>0.99），可准确预测系统响应。研究建议未来探索各向异性铜泡沫、纳米颗粒增强PCM、不同微通道结构及更高放电率下的系统性能。