Projeto de um sistema de resfriamento para bateria de íon-lítio incorporando PCM, heat pipes e circuitos líquidos usando ANN aprimorada pelo algoritmo predador marinho e otimização multiuniverso

Mantendo as Baterias de Carro Frias e Seguras

As baterias de íon‑lítio alimentam desde smartphones até carros elétricos, mas não toleram bem o superaquecimento. Quando um pack de baterias aquece de forma desigual, ele pode perder capacidade mais rapidamente, desperdiçar energia e, em casos extremos, falhar de forma perigosa. Este artigo explora uma maneira inteligente de manter essas baterias em temperaturas adequadas combinando vários métodos de resfriamento e usando inteligência artificial para ajustar o projeto, visando veículos elétricos mais seguros, duráveis e eficientes.

Um Novo Tipo de Sanduíche de Resfriamento

O estudo foca em um sistema de resfriamento “híbrido” envolvendo um módulo de células cilíndricas de íon‑lítio. Em vez de depender apenas do ar, as baterias são inseridas em um sanduíche de três elementos cooperantes: um material de mudança de fase (PCM) que absorve calor ao derreter, uma floresta de minúsculos heat pipes integrados que espalham o calor rapidamente, e uma placa de resfriamento por líquido que transporta o calor para fora. Juntas, essas camadas buscam dois objetivos ao mesmo tempo: nivelar pontos quentes entre células vizinhas e manter a temperatura geral abaixo de um limite seguro, preservando ao máximo a energia utilizável por quilograma.

Equilibrando Espaço, Forma e Armazenamento

Como as baterias precisam caber em espaços apertados de carros e ônibus, os autores prestam atenção especial à geometria: o espaçamento entre células em duas direções, e a espessura e altura do arranjo de heat pipes. Usando simulações computacionais detalhadas baseadas em trabalhos experimentais prévios, eles analisam como essas dimensões afetam três resultados: quão desigual se tornam as temperaturas no pack, qual a temperatura máxima atingida pela célula mais quente, e quanta energia o módulo inteiro pode armazenar por unidade de massa. Os resultados mostram trade‑offs claros. Espaçamentos maiores e camadas de heat pipes mais espessas e altas ajudam a espalhar e remover calor, reduzindo tanto a temperatura de pontos quentes quanto a desigualdade térmica. Mas essas mesmas escolhas aumentam volume e peso, reduzindo a densidade de energia do pack.

Ensinando Algoritmos a Projetar o Resfriamento

Para explorar todas essas opções de projeto de forma eficiente, os pesquisadores constroem modelos de aprendizado de máquina que atuam como “substitutos” rápidos para simulações caras. Eles treinam redes neurais para prever diferença de temperatura, temperatura máxima e densidade de energia a partir das entradas geométricas. Dois métodos de busca inspirados na natureza — um algoritmo genético e um algoritmo predador marinho — são usados para ajustar os parâmetros internos dessas redes de modo que suas previsões coincidam de perto com os dados de referência. Uma vez treinados, os modelos alcançam alta precisão, permitindo à equipe estimar rapidamente como milhões de variantes de projeto se comportariam sem reaplicar as simulações físicas completas a cada vez.

Encontrando os Melhores Compromissos, Não Apenas Um Projeto Ideal

Em vez de buscar um único layout perfeito, o estudo usa um método de otimização multiobjetivo que gera uma “fronteira de Pareto” de compromissos igualmente válidos. Nessa fronteira, melhorar um objetivo — como aumentar watt‑hora por massa — inevitavelmente piora outro, como elevar a temperatura da célula mais quente. A análise mostra que estruturas de heat pipes muito espessas e altas podem manter diferenças de temperatura tão baixas quanto cerca de 2 °C e temperaturas máximas em torno de 38–39 °C, mas reduzem a densidade de energia para aproximadamente 140 Wh/kg. Projetos mais finos elevam a densidade de energia para perto de 157 Wh/kg, mais próximo do que os fabricantes de automóveis desejam, mas permitem maiores variações de temperatura e picos mais altos. Projetos intermediários ficam no meio termo, oferecendo tanto margens de segurança razoáveis quanto capacidade de armazenamento respeitável.

Das Curvas do Gráfico a Escolhas do Mundo Real

Engenheiros ainda precisam escolher um único projeto para um pack de bateria real. Para preencher essa etapa final, os autores aplicam um método de tomada de decisão que classifica as muitas opções pareto‑ótimas segundo diferentes prioridades — como maximizar segurança, maximizar capacidade ou buscar um compromisso equilibrado. Ajustando esses pesos, eles identificam receitas geométricas específicas para cenários como veículos elétricos críticos para segurança, sistemas portáteis com alta densidade energética ou módulos equilibrados para armazenamento em rede. Em termos simples, o artigo mostra como combinar hardware de resfriamento inteligente com algoritmos avançados pode transformar uma teia de trade‑offs em orientações claras, ajudando projetistas a construir packs de baterias mais frios, seguros e capazes no uso cotidiano.

Citação: 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

Palavras-chave: resfriamento de bateria de íon-lítio, gestão térmica de baterias, veículos elétricos, materiais de mudança de fase, otimização por aprendizado de máquina