Conception d’optimisation multi‑objectifs du système de refroidissement par pulvérisation d’huile pour moteur à enroulements « hairpin » basée sur optimisation par essaim particulaire‑rétropropagation‑algorithme génétique non dominé trié III

Pourquoi il est crucial de maintenir les moteurs électriques au frais

À mesure que les voitures électriques gagnent en puissance et en compacité, leurs moteurs sont sollicités plus intensément que jamais. À l’intérieur de ces moteurs, des enroulements en cuivre très serrés peuvent chauffer au point de perdre définitivement une partie de leur aimantation, raccourcissant la durée de vie du moteur et gaspillant de l’énergie. Cette étude examine une méthode avancée consistant à immerger ces enroulements dans de l’huile de refroidissement pulvérisée, puis utilise des algorithmes informatiques sophistiqués pour redesigner la petite couronne de buses qui distribue l’huile, rendant le moteur à la fois plus frais et plus facile à exploiter.

Comment la pluie d’huile protège les moteurs sollicités

Les moteurs de traction modernes utilisent souvent des enroulements dits « hairpin » — des barres de cuivre rigides pliées en U et serrées autour du rotor. Ces faisceaux concentrés offrent de bonnes performances, mais ils constituent aussi les zones les plus chaudes du moteur. Une solution prometteuse est le système de refroidissement par pulvérisation d’huile : une couronne creuse entourant les enroulements émet plusieurs jets d’huile qui frappent le cuivre chaud, se répandent en un film mince et évacuent la chaleur avant que l’huile ne retourne au circuit de refroidissement. L’article se concentre sur un moteur électrique de 230 kW qui utilise déjà une telle couronne de pulvérisation, mais dont la conception initiale laissait les enroulements trop chauds et l’huile sous une pression interne relativement élevée, mettant le système de refroidissement sous contrainte.

Tester différentes manières de pulvériser l’huile

Les chercheurs se sont d’abord posé une question simple : quelle forme de buse refroidit le mieux ? Ils ont comparé trois types de buses commerciales — jet plat, cône plein et en éventail — en simulant la façon dont chacune mouille un faisceau d’enroulements réaliste et non simplifié. À l’aide de calculs détaillés d’écoulement de fluide et de transfert de chaleur, ils ont produit des cartes de température montrant où les enroulements restaient chauds ou froids. La buse à jet plat avait tendance à n’humidifier que le centre des enroulements, laissant les conducteurs adjacents plus chauds. La buse en éventail donnait des résultats un peu meilleurs, mais créait encore des sauts de température marqués entre enroulements voisins. En revanche, la buse en cône plein dispersait l’huile de façon plus homogène sur la surface, produisant un champ de températures plus lisse et la température de pointe la plus basse — environ 22 % de moins que le jet plat et 5 % de moins que la buse en éventail. Cette buse a donc été choisie comme point de départ pour la refonte.

Explorer l’espace de conception par des expériences virtuelles

Puis, l’équipe s’est intéressée à la géométrie de la couronne de pulvérisation elle‑même. Ils ont identifié six dimensions clés, notamment les grands et petits diamètres de chaque buse, l’angle de pulvérisation, la rotation des buses autour de la couronne, le nombre de buses utilisé et la longueur axiale de la couronne. Plutôt que d’essayer toutes les combinaisons possibles, ils ont utilisé un plan orthogonal — un ensemble structuré de 25 variantes soigneusement choisies — pour explorer efficacement comment ces facteurs influent sur deux objectifs : la température maximale des enroulements et la pression interne maximale de l’huile. Pour chaque variante, une dynamique des fluides numérique (CFD) avancée a fourni températures et pressions. Une analyse de sensibilité a ensuite révélé qu’un paramètre, le petit diamètre de la buse, avait de loin l’influence la plus forte à la fois sur le refroidissement et sur la pression, tandis que les autres dimensions jouaient encore des rôles de soutien importants.

Laisser les algorithmes affiner les moindres détails

Pour aller au‑delà de ces 25 conceptions d’essai, les auteurs ont entraîné un réseau de neurones à apprendre la relation entre la géométrie de la couronne et la performance de refroidissement, en utilisant les résultats de simulation comme jeu d’apprentissage. Ils ont ensuite intégré ce réseau dans un schéma d’optimisation hybride combinant optimisation par essaim particulaire et un algorithme génétique multi‑objectifs moderne. En termes simples, des « particules » virtuelles et des « descendants » parcourent l’espace de conception, proposant des milliers de nouvelles formes de couronnes. Le réseau prédit rapidement température et pression pour chaque candidat, et l’algorithme ne conserve que ceux qui équilibrent bien les deux objectifs, formant ce que les ingénieurs appellent un front de Pareto. À partir de cette frontière, l’équipe a sélectionné une conception où les buses sont légèrement plus petites mais plus nombreuses, et où la longueur de la couronne et l’angle de pulvérisation sont finement ajustés pour produire une couverture d’huile forte et uniforme sans faire monter excessivement la pression interne.

Ce que produit la conception optimisée

Enfin, la conception retenue a été vérifiée à nouveau par des simulations CFD complètes. Les températures et pressions de pointe prédites et simulées concordaient à environ 2 %, montrant que la chaîne intégrée d’algorithmes était très précise. Comparée à la couronne d’origine, la version optimisée a réduit la température maximale des enroulements de 8,5 % et abaissé la pression interne maximale de l’huile de 25,6 %. Pour un moteur de véhicule électrique, cela signifie un cuivre plus frais, un risque réduit de dégradation magnétique et une charge moindre sur la pompe à huile, le tout sans modifier la configuration de base du moteur. Ce travail démontre comment la combinaison de simulations d’écoulement réalistes et d’algorithmes de recherche intelligents peut extraire de meilleures performances d’un matériel existant, ouvrant la voie à des entraînements électriques haute puissance plus frais, plus efficaces et plus durables.

Citation: Liu, Y., Xu, P., Chen, S. et al. Multi-objective optimization design of oil spray cooling system for hairpin motor based on particle swarm optimization-backpropagation-non-dominated sorting genetic algorithm III. Sci Rep 16, 11593 (2026). https://doi.org/10.1038/s41598-026-42028-7

Mots-clés: refroidissement des moteurs électriques, refroidissement par pulvérisation d’huile, enroulements hairpin, optimisation multi‑objectifs, véhicules électriques