Auslegung eines Li‑Ionen‑Batterie‑Kühlsystems mit PCM, Heatpipes und Flüssigkeitskreisläufen unter Einsatz eines durch Marine‑Predator‑Algorithmus verbesserten ANN und Multi‑Universe‑Optimierung

Autobatterien kühl und sicher halten

Lithium‑Ionen‑Batterien treiben alles an, von Smartphones bis zu Elektroautos, mögen es aber nicht, zu heiß zu werden. Erhitzt sich ein Batteriepack ungleichmäßig, kann es schneller Kapazität verlieren, Energie verschwenden und im Extremfall sogar gefährlich ausfallen. Diese Arbeit untersucht eine intelligente Möglichkeit, solche Batterien auf sicheren Temperaturen zu halten, indem mehrere Kühlmethoden kombiniert und künstliche Intelligenz zur Feinabstimmung des Designs eingesetzt wird, mit dem Ziel sicherere, langlebigere und effizientere Elektrofahrzeuge zu ermöglichen.

Ein neues Kühl‑»Sandwich«

Die Studie konzentriert sich auf ein „hybrides“ Kühlsystem, das ein Modul mit zylindrischen Lithium‑Ionen‑Zellen umhüllt. Anstatt sich nur auf Luft zu verlassen, sind die Zellen in ein Sandwich aus drei zusammenwirkenden Elementen eingebettet: ein Phasenwechselmaterial (PCM), das beim Schmelzen Wärme aufnimmt, ein Wald winziger eingebetteter Heatpipes, die Wärme schnell verteilen, und eine Flüssigkeitskühlplatte, die die Wärme abführt. Gemeinsam verfolgen diese Schichten zwei Ziele: Hotspots zwischen benachbarten Zellen auszugleichen und die Gesamttemperatur unter einer sicheren Grenze zu halten, und das bei möglichst hoher nutzbarer Energie pro Kilogramm.

Raum, Form und Speicherkapazität ausbalancieren

Da Batterien in Autos und Bussen in enge Räume passen müssen, legen die Autoren großen Wert auf die Geometrie: den Abstand zwischen den Zellen in zwei Richtungen sowie die Dicke und Höhe des Heatpipe‑Arrays. Mithilfe detaillierter Computersimulationen aus früheren experimentellen Arbeiten analysieren sie, wie diese Abmessungen drei Größen beeinflussen: wie ungleich die Temperaturen im Pack werden, wie hoch die heißeste Zelle wird und wie viel Energie das gesamte Modul pro Gewichtseinheit speichern kann. Die Ergebnisse zeigen deutliche Trade‑offs. Größere Abstände sowie dickere und höhere Heatpipe‑Schichten helfen, Wärme zu verteilen und abzuführen, wodurch sowohl Hotspot‑Temperaturen als auch Temperaturungleichmäßigkeit sinken. Gleichzeitig erhöhen diese Designentscheidungen Volumen und Gewicht und verringern damit die Energiedichte des Packs.

Algorithmen das Design beibringen

Um all diese Gestaltungsoptionen effizient zu erkunden, bauen die Forschenden Modelle des maschinellen Lernens, die als schnelle Stellvertreter für teure Simulationen fungieren. Sie trainieren neuronale Netze, um Temperaturunterschied, Spitzentemperatur und Energiedichte aus den geometrischen Eingaben vorherzusagen. Zwei naturinspirierte Suchmethoden — ein genetischer Algorithmus und ein Marine‑Predator‑Algorithmus — werden eingesetzt, um die internen Einstellungen dieser Netzwerke so zu justieren, dass ihre Vorhersagen eng mit den Referenzdaten übereinstimmen. Einmal trainiert, erreichen die Modelle sehr hohe Genauigkeit und erlauben dem Team, schnell abzuschätzen, wie sich Millionen von Designvarianten verhalten würden, ohne die vollständigen physikalischen Simulationen jedes Mal neu laufen lassen zu müssen.

Die besten Kompromisse finden, nicht nur ein einziges Bestes

Statt nach einem einzigen perfekten Layout zu suchen, verwendet die Studie eine Multi‑Objective‑Optimierungsmethode, die eine „Pareto‑Front“ gleichwertiger Kompromisse erzeugt. Auf dieser Grenzfläche verschlechtert sich zwangsläufig ein Ziel, wenn man ein anderes verbessert — etwa steigt die maximale Zelltemperatur, wenn man mehr Wattstunden pro Masse erzielen will. Die Analyse zeigt, dass sehr dicke und hohe Heatpipe‑Strukturen Temperaturunterschiede auf etwa 2 °C und Maximaltemperaturen um 38–39 °C begrenzen können, jedoch die Energiedichte auf rund 140 Wh/kg reduzieren. Dünnere Designs bringen die Energiedichte näher an etwa 157 Wh/kg, was näher an den Wünschen der Autohersteller liegt, erlauben aber größere Temperaturschwankungen und höhere Spitzen. Mittlere Auslegungen liegen dazwischen und bieten sowohl vernünftige Sicherheitsmargen als auch respektable Speicherkapazität.

Von Kurven im Diagramm zu realen Entscheidungen

Ingenieure müssen trotzdem ein einzelnes Design für ein konkretes Batteriepack wählen. Um diese letzte Lücke zu schließen, wenden die Autoren eine Entscheidungsfindungsmethode an, die die vielen Pareto‑optimalen Optionen nach unterschiedlichen Prioritäten bewertet — etwa maximale Sicherheit, maximale Kapazität oder einen ausgewogenen Kompromiss. Durch Anpassen dieser Gewichtungen identifizieren sie konkrete geometrische Rezepte für Szenarien wie sicherheitskritische Elektrofahrzeuge, energiedichte tragbare Systeme oder ausgeglichene Netzspeichermodule. Kurz gesagt zeigt die Arbeit, wie die Kombination aus durchdachter Kühlhardware und fortschrittlichen Algorithmen ein Geflecht von Zielkonflikten in klare Handlungsanweisungen verwandeln kann, sodass Entwickler Batteriepakete bauen, die im Alltag kühler, sicherer und leistungsfähiger sind.

Zitation: Ali, N.B., Louhichi, B., Hassan, W.H. et al. Design of a Li-ion battery cooling system incorporating PCM, heat pipes, and liquid circuits using marine predator algorithm-enhanced ANN and multi-verse optimization. Sci Rep 16, 11796 (2026). https://doi.org/10.1038/s41598-026-41155-5

Schlüsselwörter: Kühlung von Lithium‑Ionen‑Batterien, Thermomanagement von Batterien, Elektrofahrzeuge, Phasenwechselmaterialien, maschinelles Lernen Optimierung