Progettazione multiobiettivo del sistema di raffreddamento a spruzzo d’olio per motore a hairpin basata su particle swarm optimization-backpropagation-non-dominated sorting genetic algorithm III

Perché è importante mantenere i motori elettrici freddi

Con l’aumento di potenza e compattezza delle auto elettriche, i motori che le azionano sono sottoposti a sforzi maggiori che mai. All’interno di questi motori, gli avvolgimenti di rame strettamente impacchettati possono riscaldarsi a tal punto da perdere in modo permanente parte della loro forza magnetica, accorciando la vita del motore e disperdendo energia. Questo studio esamina un metodo avanzato per immergere tali avvolgimenti in olio di raffreddamento e poi utilizza algoritmi informatici intelligenti per riprogettare l’anello spruzzatore che distribuisce l’olio, rendendo il motore sia più freddo sia più efficiente in esercizio.

Come la pioggia d’olio protegge i motori sollecitati

I moderni motori di trazione spesso impiegano i cosiddetti avvolgimenti hairpin—barre rigide di rame piegate a forma di U e disposte in modo molto compatto attorno al rotore. Questi pacchetti concentrati sono eccellenti in termini di potenza, ma sono anche le parti più calde del motore. Una soluzione promettente è il sistema di raffreddamento a spruzzo d’olio: un anello cavo intorno agli avvolgimenti emette più getti d’olio che colpiscono il rame caldo, si trasformano in un film sottile e rimuovono il calore prima che l’olio ritorni al circuito di raffreddamento. L’articolo si concentra su un motore elettrico da 230 kW che già utilizza un tale anello spruzzatore, ma il cui progetto originale lasciava gli avvolgimenti troppo caldi e l’olio a una pressione relativamente elevata, sollecitando il sistema di raffreddamento.

Testare diversi modi di spruzzare l’olio

I ricercatori hanno prima posto una domanda fondamentale: quale forma dell’ugello raffredda meglio? Hanno confrontato tre tipi di ugelli commerciali—spruzzo piatto, cono pieno e a ventaglio—simulando come ciascuno bagnasse un pacchetto di avvolgimenti realistico e non semplificato. Utilizzando calcoli dettagliati del flusso di fluido e del calore, hanno prodotto mappe di temperatura che mostrano dove gli avvolgimenti rimanevano caldi o freddi. L’ugello a spruzzo piatto tendeva a inzuppare solo la parte centrale degli avvolgimenti, lasciando i conduttori vicini più caldi. L’ugello a ventaglio si comportava leggermente meglio, ma generava ancora bruschi salti di temperatura tra avvolgimenti adiacenti. L’ugello a cono pieno, invece, disperdeva l’olio in modo più uniforme sulla superficie, producendo un campo di temperatura più omogeneo e la temperatura di picco più bassa—circa il 22% in meno rispetto allo spruzzo piatto e il 5% in meno rispetto all’ugello a ventaglio. Questo ugello è stato quindi scelto come punto di partenza per la riprogettazione.

Esplorare lo spazio di progetto con esperimenti virtuali

Successivamente, il team si è concentrato sulla geometria dell’anello spruzzatore stesso. Hanno individuato sei dimensioni chiave, inclusi i diametri grande e piccolo di ciascun ugello, l’angolo di spruzzo, la rotazione degli ugelli attorno all’anello, il numero di ugelli utilizzati e la lunghezza assiale dell’anello. Invece di provare ogni possibile combinazione, hanno adottato un disegno ortogonale—un insieme strutturato di 25 varianti scelte con cura—per esplorare in modo efficiente come questi fattori influenzano due obiettivi: la temperatura massima degli avvolgimenti e la pressione massima dell’olio interno. Per ogni variante, la fluidodinamica computazionale (CFD) avanzata ha fornito le temperature e le pressioni. Un’analisi di sensibilità ha poi rivelato che un parametro, il diametro piccolo dell’ugello, aveva di gran lunga l’influenza più forte sia sul raffreddamento sia sulla pressione, mentre le altre dimensioni svolgevano ruoli di supporto comunque importanti.

Lasciare che gli algoritmi regolino i dettagli minuti

Per andare oltre queste 25 configurazioni di prova, gli autori hanno addestrato una rete neurale per apprendere la relazione tra la geometria dell’anello e le prestazioni di raffreddamento, usando i risultati delle simulazioni come set di addestramento. Hanno poi inserito questa rete all’interno di uno schema di ottimizzazione ibrido che combina l’ottimizzazione tramite sciame di particelle con un moderno algoritmo genetico multiobiettivo. In termini semplici, “particelle” virtuali e “figli” si muovono nello spazio dei progetti proponendo migliaia di nuove forme dell’anello spruzzatore. La rete neurale predice rapidamente temperatura e pressione per ogni candidato, e l’algoritmo conserva solo quelli che bilanciano bene entrambi gli obiettivi, formando ciò che gli ingegneri chiamano fronte di Pareto. Da questa frontiera, il team ha selezionato un progetto in cui gli ugelli sono leggermente più piccoli ma più numerosi, e la lunghezza dell’anello e l’angolo di spruzzo sono finemente regolati per ottenere una copertura d’olio forte e uniforme senza innalzare troppo la pressione interna.

Cosa offre il progetto ottimizzato

Infine, il progetto scelto è stato verificato di nuovo con simulazioni CFD complete. Le temperature e le pressioni di picco previste e simulate concordavano entro circa il 2%, dimostrando che l’algoritmo integrato era altamente accurato. Rispetto all’anello spruzzatore originale, la versione ottimizzata ha ridotto la temperatura massima degli avvolgimenti dell’8,5% e ha abbattuto la pressione interna di picco del 25,6%. Per un motore di veicolo elettrico, questo significa rame più freddo, minor rischio di danni magnetici e un carico più leggero sulla pompa dell’olio, il tutto senza cambiare il layout di base del motore. Il lavoro dimostra come combinare simulazioni di flusso realistiche con algoritmi di ricerca intelligenti possa estrarre maggiori prestazioni dall’hardware esistente, indicando la strada verso trasmissioni elettriche ad alta potenza più fresche, più efficienti e più durevoli.

Citazione: 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

Parole chiave: raffreddamento motore elettrico, raffreddamento a spruzzo d’olio, avvolgimenti hairpin, ottimizzazione multiobiettivo, veicoli elettrici