Projekt systemu chłodzenia akumulatora litowo-jonowego z wykorzystaniem PCM, rur ciepła i obiegów ciekłych z ANN wzbogaconym o algorytm drapieżników morskich oraz optymalizacją multi-światów

Utrzymywanie baterii samochodowych w chłodzie i bezpiecznie

Akumulatory litowo-jonowe zasilają wszystko, od smartfonów po samochody elektryczne, ale nie tolerują przegrzewania. Gdy pakiet akumulatorów nagrzewa się nierównomiernie, może szybciej tracić pojemność, marnować energię, a w skrajnych przypadkach grozić awarią. Artykuł omawia inteligentne podejście do utrzymania tych baterii w bezpiecznych temperaturach poprzez połączenie kilku metod chłodzenia i zastosowanie sztucznej inteligencji do dopracowania projektu, z celem uzyskania bezpieczniejszych, dłużej działających i bardziej wydajnych pojazdów elektrycznych.

Nowy rodzaj „kanapki” chłodzącej

Badanie koncentruje się na hybrydowym systemie chłodzenia otaczającym moduł cylindrycznych ogniw litowo-jonowych. Zamiast polegać wyłącznie na powietrzu, ogniwa osadzone są w konstrukcji złożonej z trzech współdziałających elementów: materiału zmiany fazy (PCM), który absorbuje ciepło podczas topnienia, sieci drobnych wbudowanych rur ciepła, które szybko rozprowadzają ciepło, oraz płyty z chłodzeniem płynnym, która odprowadza ciepło. Razem te warstwy dążą do dwóch celów jednocześnie: wygładzenia lokalnych gorących punktów między sąsiednimi ogniwami i utrzymania całkowitej temperatury poniżej bezpiecznego limitu, przy jednoczesnym zachowaniu jak największej ilości użytecznej energii na kilogram.

Równoważenie przestrzeni, kształtu i magazynowania

Ponieważ akumulatory muszą mieścić się w ograniczonych przestrzeniach w samochodach i autobusach, autorzy zwracają dużą uwagę na geometrię: odstępy między ogniwami w dwóch kierunkach oraz grubość i wysokość zespołu rur ciepła. Korzystając ze szczegółowych symulacji komputerowych opartych na wcześniejszych eksperymentach, analizują, jak te wymiary wpływają na trzy wyniki: stopień nierównomierności temperatur wewnątrz pakietu, jak wysoka staje się najgorętsza cela oraz ile energii cały moduł może przechować na jednostkę masy. Wyniki pokazują wyraźne kompromisy. Większe odstępy i grubsze, wyższe warstwy rur ciepła pomagają rozprowadzać i usuwać ciepło, obniżając zarówno temperaturę gorących punktów, jak i nierównomierność. Jednak te same rozwiązania zwiększają objętość i masę, zmniejszając gęstość energetyczną pakietu.

Nauczanie algorytmów projektowania chłodzenia

Aby efektywnie zbadać wszystkie możliwości projektowe, badacze budują modele uczące maszynowo, które służą jako szybkie „zastępniki” kosztownych symulacji. Trenują sieci neuronowe do przewidywania różnicy temperatur, temperatury szczytowej i gęstości energetycznej na podstawie danych geometrycznych. Dwa inspirowane naturą algorytmy poszukiwań — algorytm genetyczny i algorytm drapieżników morskich — są używane do dostrojenia wewnętrznych ustawień tych sieci, tak aby ich przewidywania jak najdokładniej odpowiadały danym referencyjnym. Po wytrenowaniu modele osiągają bardzo wysoką dokładność, co pozwala zespołowi szybko szacować zachowanie milionów wariantów projektu bez konieczności ponownego uruchamiania pełnych symulacji fizycznych za każdym razem.

Znajdowanie najlepszych kompromisów, a nie pojedynczego idealnego projektu

Zamiast poszukiwania jednego doskonałego układu, badanie wykorzystuje metodę optymalizacji wielokryterialnej, która generuje „front Pareto” równoważnych kompromisów. Na tym froncie poprawienie jednego celu — na przykład uzyskanie większej liczby watogodzin na tę samą masę — nieuchronnie pogarsza inny, na przykład podnosi temperaturę najgorętszej celi. Analiza pokazuje, że bardzo grube i wysokie struktury rur ciepła mogą utrzymać różnice temperatur w granicach około 2 °C i maksymalne temperatury około 38–39 °C, ale obniżają gęstość energetyczną do około 140 Wh/kg. Cieńsze układy podnoszą gęstość energetyczną w okolice 157 Wh/kg, bliżej oczekiwań producentów samochodów, ale dopuszczają większe rozpiętości temperatur i wyższe szczyty. Projekty pośrednie plasują się pośrodku, oferując zarówno rozsądne marginesy bezpieczeństwa, jak i przyzwoitą pojemność magazynowania.

Od krzywych na wykresie do decyzji w świecie rzeczywistym

Inżynierowie wciąż muszą wybrać pojedynczy projekt dla rzeczywistego pakietu baterii. Aby przebrnąć przez tę ostatnią lukę, autorzy stosują metodę podejmowania decyzji, która ranguje wiele opcji optymalnych w sensie Pareto według różnych priorytetów — na przykład maksymalizacja bezpieczeństwa, maksymalizacja pojemności lub wyważony kompromis. Poprzez dostosowanie tych wag identyfikują konkretne przepisy geometryczne dla scenariuszy takich jak pojazdy elektryczne o krytycznych wymaganiach bezpieczeństwa, przenośne systemy o wysokiej gęstości energii czy zrównoważone moduły magazynowania sieciowego. Mówiąc prościej, artykuł pokazuje, jak połączenie przemyślanego sprzętu chłodzącego z zaawansowanymi algorytmami może przekształcić plątaninę kompromisów w jasne wskazówki, pomagając projektantom tworzyć pakiety akumulatorów chłodniejsze, bezpieczniejsze i bardziej wydajne w codziennym użytkowaniu.

Cytowanie: 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

Słowa kluczowe: chłodzenie akumulatora litowo-jonowego, zarządzanie termiczne akumulatora, pojazdy elektryczne, materiały zmiany fazy, optymalizacja za pomocą uczenia maszynowego