Conception d’un système de refroidissement pour batterie Li‑ion intégrant PCM, caloducs et circuits liquides utilisant un réseau de neurones optimisé par l’algorithme prédateur marin et une optimisation multi‑univers

Garder les batteries de voiture au frais et en sécurité

Les batteries lithium‑ion alimentent tout, des smartphones aux voitures électriques, mais elles n’apprécient pas la surchauffe. Lorsqu’un pack de batteries chauffe de manière non uniforme, il peut perdre de la capacité plus rapidement, gaspiller de l’énergie et, dans les cas extrêmes, tomber en panne de façon dangereuse. Cet article explore une méthode intelligente pour maintenir ces batteries à des températures confortables en combinant plusieurs techniques de refroidissement et en utilisant l’intelligence artificielle pour affiner la conception, dans le but d’obtenir des véhicules électriques plus sûrs, plus durables et plus efficaces.

Un nouveau type de « sandwich » de refroidissement

L’étude se concentre sur un système de refroidissement « hybride » enveloppant un module de cellules cylindriques lithium‑ion. Plutôt que de s’appuyer uniquement sur l’air, les batteries sont intégrées dans un empilement de trois éléments coopératifs : un matériau à changement de phase (PCM) qui absorbe la chaleur en fondant, une forêt de petits caloducs incorporés qui répartissent la chaleur rapidement, et une plaque de refroidissement liquide qui évacue la chaleur. Ensemble, ces couches cherchent à accomplir deux tâches à la fois : lisser les points chauds entre cellules voisines et maintenir la température globale sous une limite sûre, tout en préservant autant d’énergie utilisable par kilogramme que possible.

Équilibrer espace, forme et stockage

Parce que les batteries doivent s’insérer dans des espaces restreints des voitures et des bus, les auteurs portent une grande attention à la géométrie : l’espacement entre les cellules dans deux directions, ainsi que l’épaisseur et la hauteur du réseau de caloducs. En s’appuyant sur des simulations informatiques détaillées issues de travaux expérimentaux antérieurs, ils analysent comment ces dimensions affectent trois résultats : l’inégalité des températures à l’intérieur du pack, la température maximale atteinte par la cellule la plus chaude, et la quantité d’énergie que le module peut stocker par unité de masse. Les résultats montrent des compromis clairs. Un espacement plus large et des couches de caloducs plus épaisses et plus hautes aident à répartir et évacuer la chaleur, réduisant à la fois la température des points chauds et l’inégalité thermique. Mais ces mêmes choix augmentent le volume et le poids, réduisant la densité énergétique du pack.

Apprendre aux algorithmes à concevoir le refroidissement

Pour explorer efficacement toutes ces options de conception, les chercheurs développent des modèles d’apprentissage automatique qui servent de « substituts » rapides aux simulations coûteuses. Ils entraînent des réseaux de neurones à prédire la différence de température, la température de pointe et la densité énergétique à partir des paramètres géométriques. Deux méthodes de recherche inspirées de la nature — un algorithme génétique et un algorithme prédateur marin — sont utilisées pour régler les paramètres internes de ces réseaux afin que leurs prédictions correspondent étroitement aux données de référence. Une fois entraînés, les modèles atteignent une très grande précision, permettant à l’équipe d’estimer rapidement le comportement de millions de variantes de conception sans relancer à chaque fois les simulations physiques complètes.

Trouver les meilleurs compromis, pas une unique solution

Plutôt que de rechercher une configuration parfaite unique, l’étude utilise une méthode d’optimisation multi‑objectif qui génère un « front de Pareto » d’arbitrages également valides. Sur ce front, l’amélioration d’un objectif — par exemple maximiser les watt‑heures par masse — se fait inévitablement au détriment d’un autre, comme l’augmentation de la température maximale d’une cellule. L’analyse montre que des structures de caloducs très épaisses et hautes peuvent maintenir les différences de température aussi basses qu’environ 2 °C et des températures maximales autour de 38–39 °C, mais réduisent la densité énergétique à environ 140 Wh/kg. Des conceptions plus fines augmentent la densité énergétique jusqu’à près de 157 Wh/kg, plus proche des attentes des constructeurs automobiles, mais entraînent des écarts de température plus importants et des pics plus élevés. Les conceptions intermédiaires se situent au milieu, offrant à la fois des marges de sécurité raisonnables et une capacité de stockage respectable.

Des courbes sur un graphique aux choix concrets

Les ingénieurs doivent néanmoins sélectionner une conception unique pour un pack réel. Pour combler cette dernière étape, les auteurs appliquent une méthode de prise de décision qui classe les nombreuses options Pareto‑optimales selon différentes priorités — telles que maximiser la sécurité, maximiser la capacité, ou atteindre un compromis équilibré. En ajustant ces pondérations, ils identifient des recettes géométriques spécifiques pour des scénarios tels que des véhicules électriques critiques pour la sécurité, des systèmes portables à haute densité énergétique, ou des modules de stockage sur réseau équilibrés. En termes simples, l’article montre comment la combinaison d’un matériel de refroidissement astucieux et d’algorithmes avancés peut transformer un enchevêtrement de compromis en directives claires, aidant les concepteurs à fabriquer des packs de batteries plus froids, plus sûrs et plus performants dans l’usage quotidien.

Citation: 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

Mots-clés: refroidissement batterie lithium‑ion, gestion thermique des batteries, véhicules électriques, matériaux à changement de phase, optimisation par apprentissage automatique