具有三角切割流道设计的空冷电池热管理结构仿真与多目标优化

《Next Energy》：Simulations and multi-objective optimisation of an air-cooled battery management structure with triangular-cuts flow path design

　　

电池热管理系统（Battery Thermal Management Systems, BTMSs）仍是电动汽车（Electric Vehicles, EVs）的关键组成部分，必须进行优化以扩展电动汽车的运行极限。为优化BTMSs的设计，已开展了广泛研究。这是一个持续的过程，需考虑各种运行和环境条件，尤其关注近期电池组形状改型的研究。在本研究中，研究人员在众所周知的空冷Z型BTMS的渐扩和渐缩流道中引入了三角切割。初步结果比较了进口空气速度（V_ia）、进口空气温度（T_ia）和体积热生成率（Q_bat）对具有光滑流道和三角切割流道的参考空冷Z型模型的影响。随后，采用机器学习（Machine Learning, ML）算法辅助BTMSs的计算流体动力学（Computational Fluid Dynamics, CFD）设计过程。在MATLAB中使用人工神经网络（Artificial Neural Network, ANN）对CFD数据进行训练，以预测预定义范围内三角切割流道设计的性能。选定的三角切割设计随后采用非支配排序遗传算法-II（Non-dominated Sorting Genetic Algorithm-II, NSGA-II），一种多目标遗传算法进行优化。将V_ia、T_ia和三角切割流道的修正流道高度（H_mci）作为相同Q_bat下的输入变量。设计以最大平均电池温度（T_mavg）、最大平均电池温差（ΔT_mavg）、泵送功率（P_pavg）和能效比（Energy Efficiency Ratio, EER）为评价指标。鉴于T_mavg和ΔT_mavg是常见的运行关注指标，在相同V_ia = 3 m/s和T_ia = 299.15 K条件下，三角切割设计相比Z型模型分别实现了3.84 K和4.86 K的降低。经NSGA-II优化的三角切割设计（V_ia = 2.89 m/s，T_ia = 284.19 K）使T_mavg和ΔT_mavg分别降低了17.88 K和4.71 K，而与基准Z型模型（V_ia = 3 m/s，T_ia = 299.15 K）相比，P_pavg和EER仅分别增加了0.011 W和0.096，增幅可忽略不计。因此，本研究的发现表明，通过探索较低的空气温度和速度并结合流道改型，有潜力显著提升Z型模型的整体热性能。

**论文解读**

**研究背景与问题**

电动汽车因低噪音和零燃烧排放正被广泛采用，锂离子电池（Lithium-ion Batteries, LBs）凭借快速充电、高能量密度和低自放电率等优势成为最受青睐的动力源之一。然而，电池在充放电过程中因化学反应产生热量，若热量管理不当，将导致性能下降、寿命缩短、热失控乃至安全风险。电池热管理系统（Battery Thermal Management Systems, BTMSs）应运而生，其目标是将电池温度维持在15°C至40°C的最佳运行区间，并将电池组内各电池之间的温差控制在5°C以内。

在各类BTMS中，空冷Z型结构是研究最为广泛的基础构型。已有大量研究通过结构重新设计来提升其热性能，主要策略包括对渐扩流道（divergent flow path）进行 tapered（渐缩）、step-like（阶梯状）、wave-like（波浪状）和curved-tapered（曲线渐缩）等改型，以及调整进出口位置或增加出口数量。然而，现有研究大多仅着眼于渐扩流道的单一改型，对渐缩流道（convergent flow path）的改型探索相对匮乏，且鲜有研究同时关注两者并引入全新的几何概念。此外，电池体积热生成率（Q_bat）的不一致性——即实际运行中同型号电池之间热生成率可存在约2298 W/m3的偏差——对系统性能的影响尚未得到充分评估，尤其是在较低进口空气速度（如3 m/s和3.5 m/s）条件下。同时，能效比（Energy Efficiency Ratio, EER）作为一项综合衡量散热效益与泵送能耗关系的评价指标，在空冷Z型BTMS研究中从未被引入。上述研究空白构成了本研究的出发点。

**研究内容与意义**

研究人员以经典空冷Z型BTMS为基准模型，创新性地在渐扩流道引入三角切割（triangular cuts）形成Model-2，经温度分布观察后对渐扩流道末端进行策略性修整得到Model-3，进而将三角切割延伸至渐缩流道形成Model-4，从而实现了渐扩与渐缩流道的协同改型。随后，研究人员系统考察了不同体积热生成率（67072 W/m3、69370 W/m3和71668 W/m3，分别对应下极限、基准和上极限）、进口空气速度（V_ia = 3、3.5、4 m/s）和进口空气温度（T_ia = 284.15 K、299.15 K、314.15 K）对Z型模型和Model-4性能的影响。在CFD数据基础上，训练人工神经网络（ANN）建立代理模型，并耦合非支配排序遗传算法-II（NSGA-II）对Model-4的V_ia、T_ia和修正流道高度（H_mci）进行多目标优化，以最大平均电池温度（T_mavg）、最大平均电池温差（ΔT_mavg）、泵送功率（P_pavg）和EER为优化目标。该研究的意义在于：首次将三角切割几何概念同时应用于渐扩和渐缩流道，首次在空冷Z型BTMS优化中引入EER评价指标，并通过ANN-NSGA-II耦合框架实现了多目标权衡设计，为平衡热性能提升与能耗控制提供了系统性方案。

**主要技术方法**

本研究采用二维CFD数值模拟，选用标准k-ε湍流模型配合增强壁面处理，基于SIMPLE算法求解控制方程，收敛残差设为10^?8（流动项）和10^?7（能量项）。网格独立性验证以T_mavg和T_imavg偏差低于0.05 K为标准，最终Z型模型和Model-4的网格数分别为465622和439662。数值模型通过与Chen等人发表的实验数据进行验证，T_mavg和T_imavg最大相对偏差分别为0.46%和0.19%。ANN采用前馈反向传播（Feed-Forward Back Propagation, FFBP）架构，包含两个隐藏层（10和8个神经元），以Levenberg-Marquardt算法训练125组CFD数据集（60%训练、20%验证、20%测试），预测了24156组新输入组合的性能。NSGA-II优化设置种群规模150、最大代数200、函数容差10^?5。

**研究结果**

*Z型模型、Model-2、Model-3和Model-4的比较*

在V_ia = 3 m/s和T_ia = 299.15 K条件下，相较于Z型模型，Model-2、Model-3和Model-4的T_mavg分别降低3.12 K、3.39 K和3.54 K。Model-4取得了最佳热性能，其T_mavg降幅最大，同时ΔT_mavg显著改善（从Z型模型的7.17 K降至2.37 K），表明三角切割同时作用于渐扩和渐缩流道可有效提升温度均匀性。各模型压力降均有所增加，Model-4的P_davg从Z型模型的16.66 Pa增至21.29 Pa，这与此前文献中渐缩流道改型伴随压降升高的趋势一致。

*体积热生成率、进口速度和温度的影响*

Q_bat从下限67072 W/m3增至上限71668 W/m3（增幅6.85%）时，Z型模型T_mavg增加0.63%，而Model-4仅增加0.57%，显示Model-4在较高热生成率下仍具有更好的温度抑制能力。进口温度升高30 K（从284.15 K至314.15 K）导致两模型T_mavg均相应升高约30 K，但Model-4的T_mavg始终比Z型模型低约3.64 K，表明流道改型带来的热性能优势在不同进口温度条件下具有稳健性。

*能效比评价*

以Z型模型（V_ia = 3 m/s）为基准（EER = 1），Model-4在相同V_ia下EER为0.7909，同时T_mavg降低3.54 K。当V_ia提高至4 m/s时，Z型模型EER降至0.3725，而Model-4的EER为0.3584，二者差距从29.1%缩小至3.78%，表明Model-4在较高流速下能效表现与Z型模型趋近，同时保持了更优的热性能。

*ANN模型验证*

ANN模型训练、验证和测试集的均方误差（MSE）曲线高度一致，相关系数R均为1，误差主要集中在?3.6×10^?5至7.97×10^?5之间。ANN预测值与CFD数据的偏差分别为：T_mavg ±0.116 K、ΔT_mavg ±0.018 K、P_pavg ±0.001 W、EER ±0.004，表明代理模型具有优异的预测精度且未出现过拟合。

*NSGA-II优化设计*

帕累托前沿在第53代后趋于稳定。Pareto Front最优设计（V_ia = 2.89 m/s，T_ia = 284.19 K，H_mci = 4.15 mm）实现了T_mavg = 312.78 K、ΔT_mavg = 2.46 K、P_pavg = 0.081 W、EER = 0.904。与基准Z型模型（T_mavg = 330.66 K）相比，T_mavg降低17.88 K，ΔT_mavg降低4.71 K，P_pavg仅增加0.011 W。此外，最佳T_mavg设计（V_ia = 4.50 m/s，T_ia = 284.15 K）将T_mavg降至305.73 K，最佳EER设计（V_ia = 2.5 m/s，T_ia = 284.26 K）实现了EER = 1.349、P_pavg仅0.054 W。

**讨论总结与研究结论**

本研究通过系统比较揭示：在渐扩流道上实施的三角切割改型（Model-2和Model-3）已能有效改善热性能，而进一步将三角切割延伸至渐缩流道（Model-4）可额外获得温度均匀性的提升。热量生成率不一致性的分析表明，Model-4在面对Q_bat波动时表现出更强的鲁棒性。EER指标的引入为综合评价热性能与能耗提供了新视角——尽管部分低EER设计方案仍因满足温度和压降要求而具有工程可行性，但Pareto Front最优设计实现了多目标之间的最佳平衡。NSGA-II优化结果充分证明，联合几何改型与运行参数优化（尤其探索更低进口温度和速度）可显著提升Z型BTMS的整体性能，在几乎不增加泵送功率的前提下实现大幅降温。

**研究结论翻译：** 本研究提出了一种新颖的Z型空冷电池热管理系统结构改型方案，通过在渐缩和渐扩流道中引入三角切割以增强热性能并扩展电动汽车运行极限。为支持设计过程，使用CFD仿真数据在MATLAB中训练了ANN，并随后与NSGA-II耦合对三角切割设计进行多目标优化。结果表明，在固定V_ia = 3 m/s和T_ia = 299.15 K条件下，三角切割设计使T_mavg和ΔT_mavg分别降低了3.84 K和4.86 K。通过NSGA-II优化，帕累托最优设计（V_ia = 2.89 m/s，T_ia = 284.19 K）使T_mavg和ΔT_mavg分别降低17.88 K和4.71 K，而P_pavg和EER仅分别增加0.011 W和0.096。优化过程还识别出可将最大平均电池温度从330.66 K降至305.73 K的构型，以及实现EER为1.3491且泵送功率仅0.0542 W的最高能效设计。总体而言，NSGA-II优化成功识别出能够同时改善热性能并降低能耗的BTMS构型，证明了所提出的优化框架在识别高性能BTMS设计方面的有效性，并凸显了将几何改型与多目标优化相结合以增强电池热管理性能的潜力。