Ontwerp van een Li-ion batterij-koelsysteem met PCM, heatpipes en vloeistofcircuits met behulp van een door marine-predator-algoritme verbeterd ANN en multi-verse optimalisatie

Autoaccu’s koel en veilig houden

Lithium‑ion batterijen leveren energie aan alles, van smartphones tot elektrische auto’s, maar ze houden er niet van om te warm te worden. Wanneer een batterijpakket ongelijkmatig opwarmt, kan het sneller capaciteit verliezen, energie verspillen en in extreme gevallen gevaarlijk falen. Dit artikel onderzoekt een slimme manier om zulke batterijen op aangename temperaturen te houden door meerdere koelmethoden te combineren en kunstmatige intelligentie te gebruiken om het ontwerp fijn af te stemmen, met het doel veiliger, duurzamer en efficiënter elektrische voertuigen te realiseren.

Een nieuw soort koelingssandwich

De studie richt zich op een “hybride” koelsysteem dat een module met cilindrische lithium‑ion cellen omsluit. In plaats van alleen op lucht te vertrouwen, zijn de batterijen ingebed in een sandwich van drie samenwerkende elementen: een faseovergangsmateriaal (PCM) dat warmte opneemt door te smelten, een netwerk van kleine ingebedde heatpipes dat warmte snel verspreidt, en een vloeistofkoelplaat die warmte afvoert. Samen proberen deze lagen twee dingen tegelijk te doen: hotspots tussen naburige cellen egaliseren en de algehele temperatuur onder een veilige grens houden, terwijl zoveel mogelijk bruikbare energie per kilogram behouden blijft.

Ruimte, vorm en opslag in evenwicht

Aangezien batterijen in krappe ruimtes in auto’s en bussen moeten passen, besteden de auteurs veel aandacht aan geometrie: de afstand tussen cellen in twee richtingen en de dikte en hoogte van het heatpipe‑pakket. Met gedetailleerde computersimulaties uit eerder experimenteel werk analyseren ze hoe deze afmetingen drie uitkomsten beïnvloeden: hoe ongelijkmatig de temperaturen in het pakket worden, hoe hoog de heetste cel wordt en hoeveel energie de hele module per gewichtseenheid kan opslaan. De resultaten tonen duidelijke compromissen. Grotere tussenruimtes en dikkere, hogere heatpipe‑lagen helpen warmte te verspreiden en af te voeren, waardoor zowel hotspottemperatuur als ongelijkheid dalen. Maar dezelfde ontwerpkeuzes voegen volume en gewicht toe, wat de energiedichtheid van het pakket vermindert.

Algoritmes leren het koelen te ontwerpen

Om al deze ontwerpmogelijkheden efficiënt te verkennen bouwen de onderzoekers machine‑learning modellen die als snelle ‘plaatsvervangers’ voor dure simulaties fungeren. Ze trainen neurale netwerken om temperatuurverschil, piektemperatuur en energiedichtheid te voorspellen op basis van de geometrische inputs. Twee door de natuur geïnspireerde zoekmethoden — een genetisch algoritme en een marine‑predator algoritme — worden gebruikt om de interne instellingen van deze netwerken af te stemmen zodat hun voorspellingen sterk overeenkomen met de referentiegegevens. Eenmaal getraind bereiken de modellen zeer hoge nauwkeurigheid, waardoor het team snel kan inschatten hoe miljoenen ontwerpvarianten zich zouden gedragen zonder bij elke keer de volledige fysische simulaties te hoeven uitvoeren.

De beste compromissen vinden, niet slechts één beste ontwerp

In plaats van op zoek te gaan naar één perfect ontwerp gebruikt de studie een multi‑doeloptimalisatiemethode die een ‘Pareto‑front’ van even geldige compromissen genereert. Op deze grens geldt dat het verbeteren van één doel — zoals meer watturen in hetzelfde gewicht persen — onvermijdelijk een ander doel verslechtert, zoals het verhogen van de heetste celtemperatuur. De analyse toont dat zeer dikke en hoge heatpipe‑structuren temperatuurverschillen kunnen beperken tot ongeveer 2 °C en maximale temperaturen rond 38–39 °C, maar de energiedichtheid terugbrengen tot ongeveer 140 Wh/kg. Dunnere ontwerpen duwen de energiedichtheid omhoog naar ongeveer 157 Wh/kg, dichter bij wat autofabrikanten nastreven, maar laten grotere temperatuurspreidingen en hogere pieken toe. Intermediary ontwerpen liggen in het midden en bieden zowel redelijke veiligheidsmarges als respectabele opslagcapaciteit.

Van krommen op een grafiek naar keuzes in de praktijk

Ingenieurs moeten nog steeds één ontwerp kiezen voor een echte batterijmodule. Om die laatste kloof te overbruggen passen de auteurs een beslismethode toe die de vele Pareto‑optimale opties rangschikt volgens verschillende prioriteiten — zoals maximaliseren van veiligheid, maximaliseren van capaciteit of het vinden van een gebalanceerd compromis. Door deze wegingsfactoren aan te passen, identificeren ze specifieke geometrische recepten voor scenario’s zoals veiligheid‑kritische elektrische voertuigen, energiedichte draagbare systemen of gebalanceerde opslagmodules voor het net. Simpel gezegd laat het artikel zien hoe het combineren van slimme koelhardware met geavanceerde algoritmes een wirwar van afwegingen omzet in duidelijke richtlijnen, zodat ontwerpers batterijpacks kunnen bouwen die koeler, veiliger en capabeler zijn in het dagelijks gebruik.

Bronvermelding: 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

Trefwoorden: koeling van lithium-ion batterijen, thermisch beheer van batterijen, elektrische voertuigen, faseovergangsmaterialen, machine learning optimalisatie