Progettazione di un sistema di raffreddamento per batterie Li‑ion che incorpora PCM, heat pipe e circuiti liquidi utilizzando Rete Neurale potenziata da Marine Predator Algorithm e ottimizzazione multi‑universo

Mantenere le batterie delle auto fresche e sicure

Le batterie agli ioni di litio alimentano tutto, dagli smartphone alle auto elettriche, ma non sopportano bene il calore eccessivo. Quando un pacco batteria si surriscalda in modo non uniforme può perdere capacità più rapidamente, sprecare energia e, nei casi estremi, guastarsi in modo pericoloso. Questo articolo esplora un approccio intelligente per mantenere tali batterie a temperature adeguate combinando diversi metodi di raffreddamento e utilizzando l’intelligenza artificiale per perfezionare il progetto, con l’obiettivo di veicoli elettrici più sicuri, duraturi ed efficienti.

Un nuovo tipo di “sandwich” per il raffreddamento

Lo studio si concentra su un sistema di raffreddamento “ibrido” avvolto attorno a un modulo di celle cilindriche agli ioni di litio. Anziché fare affidamento solo sull’aria, le batterie sono inserite in un sandwich composto da tre elementi che cooperano: un materiale a cambiamento di fase (PCM) che assorbe calore fondendo, una foresta di sottili heat pipe incorporati che diffondono rapidamente il calore, e una piastra di raffreddamento a liquido che allontana il calore. Insieme, questi strati cercano di ottenere due obiettivi contemporaneamente: attenuare i punti caldi tra celle adiacenti e mantenere la temperatura complessiva sotto un limite di sicurezza, il tutto preservando quanta più energia utilizzabile per chilogrammo possibile.

Bilanciare spazio, forma e accumulo

Poiché le batterie devono entrare in spazi ristretti di auto e autobus, gli autori prestano molta attenzione alla geometria: la distanza tra le celle in due direzioni e lo spessore e l’altezza dell’array di heat pipe. Utilizzando simulazioni al computer dettagliate basate su lavori sperimentali precedenti, analizzano come queste dimensioni influenzano tre risultati: quanto diventano non uniformi le temperature all’interno del pacco, quanto si alza la cella più calda e quanta energia può immagazzinare l’intero modulo per unità di peso. I risultati mostrano compromessi evidenti. Un’interasse maggiore e strati di heat pipe più spessi e alti aiutano a diffondere e rimuovere il calore, abbassando sia la temperatura dei punti caldi sia la non uniformità. Ma queste stesse scelte progettuali aumentano volume e peso, riducendo la densità energetica del pacco.

Addestrare algoritmi a progettare il raffreddamento

Per esplorare efficientemente tutte queste scelte progettuali, i ricercatori costruiscono modelli di apprendimento automatico che fungono da “sostituti” veloci per costose simulazioni. Addestrano reti neurali a prevedere la differenza di temperatura, la temperatura di picco e la densità energetica a partire dagli input geometrici. Due metodi di ricerca ispirati alla natura—un algoritmo genetico e il marine predator algorithm—vengono utilizzati per ottimizzare i parametri interni di queste reti in modo che le loro previsioni corrispondano strettamente ai dati di riferimento. Una volta addestrati, i modelli raggiungono elevata accuratezza, permettendo al team di stimare rapidamente come si comporterebbero milioni di varianti progettuali senza rieseguire ogni volta le simulazioni fisiche complete.

Trovare i migliori compromessi, non un’unica soluzione

Invece di cercare un singolo layout perfetto, lo studio utilizza un metodo di ottimizzazione multi‑obiettivo che genera un “fronte di Pareto” di compromessi ugualmente validi. Su questo fronte, migliorare un obiettivo—come inserire più watt‑ora nella stessa massa—inevitabilmente peggiora un altro, ad esempio aumentando la temperatura della cella più calda. L’analisi mostra che strutture di heat pipe molto spesse e alte possono mantenere le differenze di temperatura intorno ai 2 °C e le temperature massime attorno a 38–39 °C, ma riducono la densità energetica a circa 140 Wh/kg. Progetti più sottili spingono la densità energetica vicino a 157 Wh/kg, più vicina a quanto desiderano i costruttori di auto, ma permettono escursioni termiche maggiori e picchi più alti. Soluzioni intermedie si posizionano nel mezzo, offrendo sia margini di sicurezza ragionevoli sia capacità di accumulo rispettabili.

Dalle curve di un grafico a scelte nel mondo reale

Gli ingegneri devono comunque selezionare un singolo progetto per un pacco batteria reale. Per colmare questo ultimo divario, gli autori applicano un metodo decisionale che classifica le molte opzioni Pareto‑ottimali in base a diverse priorità—come massimizzare la sicurezza, massimizzare la capacità o trovare un compromesso bilanciato. Modificando questi pesi, individuano ricette geometriche specifiche per scenari come veicoli elettrici critici per la sicurezza, sistemi portatili ad alta densità energetica o moduli di accumulo di rete bilanciati. In termini semplici, l’articolo mostra come combinare hardware di raffreddamento intelligente con algoritmi avanzati possa trasformare una matassa di compromessi in indicazioni chiare, aiutando i progettisti a costruire pacchi batteria più freschi, più sicuri e più performanti nell’uso quotidiano.

Citazione: 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

Parole chiave: raffreddamento batterie agli ioni di litio, gestione termica delle batterie, veicoli elettrici, materiali a cambiamento di fase, ottimizzazione con apprendimento automatico