Проектирование системы охлаждения литий‑ионной батареи с использованием PCM, тепловых труб и жидкостных контуров с помошью ANN, оптимизированной алгоритмом морских хищников, и оптимизации мультиверсом

Сохранение автомобильных батарей прохладными и безопасными

Литий‑ионные батареи питают всё — от смартфонов до электромобилей, но они плохо переносят перегрев. При неравномерном нагреве батарейный модуль может терять ёмкость быстрее, тратить энергию впустую и в крайних случаях выходить из строя с опасными последствиями. В этой работе рассматривается интеллектуальный подход к поддержанию комфортных температур батарей путем комбинирования нескольких методов охлаждения и применения искусственного интеллекта для тонкой настройки конструкции с целью повышения безопасности, продления срока службы и повышения эффективности электромобилей.

Новый тип «охлаждающего сэндвича»

Исследование посвящено «гибридной» системе охлаждения, охватывающей модуль цилиндрических литий‑ионных ячеек. Вместо того чтобы полагаться только на воздух, аккумуляторы заключены в «сэндвич» из трёх взаимодействующих элементов: фазово‑переходного материала (PCM), который поглощает тепло при плавлении; набора тонких встроенных тепловых трубок, быстро распределяющих тепло; и пластины жидкостного охлаждения, отводящей тепло. Вместе эти слои стремятся решить две задачи одновременно: выровнять горячие точки между соседними ячейками и удерживать общую температуру ниже безопасного предела, при этом сохраняя как можно большую удельную энергию на килограмм.

Баланс пространства, формы и запаса энергии

Поскольку батареи должны вписываться в ограниченные объёмы автомобилей и автобусов, авторы уделяют пристальное внимание геометрии: расстоянию между ячейками в двух направлениях, а также толщине и высоте массива тепловых труб. Используя подробные компьютерные моделирования на основе предшествующих экспериментов, они анализируют, как эти размеры влияют на три показателя: насколько неравномерно распределяется температура внутри пакета, какова максимальная температура самой горячей ячейки и сколько энергии может хранить модуль на единицу массы. Результаты показывают очевидные компромиссы. Большие зазоры и более толстые, высокие слои тепловых труб помогают распределять и отводить тепло, снижая и температуру горячих точек, и неоднородность. Но такие конструктивные решения увеличивают габариты и вес, снижая энергетическую плотность пакета.

Обучение алгоритмов проектировать систему охлаждения

Чтобы эффективно исследовать все эти варианты конструкции, исследователи создают модели машинного обучения, которые служат быстрыми «заменителями» дорогостоящих симуляций. Они обучают нейронные сети предсказывать разницу температур, пиковую температуру и энергетическую плотность по геометрическим входным данным. Два натурализованных поисковых метода — генетический алгоритм и алгоритм морских хищников — используются для настройки внутренних параметров этих сетей, чтобы их предсказания максимально соответствовали эталонным данным. После обучения модели достигают очень высокой точности, что позволяет команде быстро оценивать поведение миллионов вариантов конструкции без повторного запуска полной физической симуляции каждый раз.

Поиск лучших компромиссов, а не одной идеальной модели

Вместо поиска единственной идеальной компоновки исследование использует многокритериюю оптимизацию, которая генерирует «фронт Парето» равноценных компромиссов. На этом фронте улучшение одной цели — например, увеличение ватт‑часов на ту же массу — неизбежно ухудшает другую, такую как повышение максимальной температуры ячейки. Анализ показывает, что очень толстые и высокие структуры тепловых труб могут удерживать разброс температур на уровне примерно 2 °C и максимальные температуры около 38–39 °C, но при этом снижать энергетическую плотность до примерно 140 Вт·ч/кг. Более тонкие решения повышают энергетическую плотность до примерно 157 Вт·ч/кг, что ближе к требованиям автопроизводителей, но допускают больший температурный разброс и более высокие пики. Промежуточные варианты оказываются посередине, предлагая как разумные запасы безопасности, так и достойную ёмкость хранения.

От кривых на графике к реальным решениям

Инженерам всё ещё нужно выбрать одну конкретную конструкцию для реального батарейного модуля. Чтобы преодолеть этот финальный разрыв, авторы применяют метод принятия решений, который ранжирует множество Парето‑оптимальных вариантов в соответствии с разными приоритетами — например, максимизация безопасности, максимизация ёмкости или поиск сбалансированного компромисса. Меняя эти веса, они определяют конкретные геометрические «рецепты» для сценариев, таких как критичные по безопасности электромобили, энергоёмкие портативные системы или сбалансированные модули для накопления в сетях. Простыми словами, статья показывает, как сочетание продуманного аппаратного охлаждения и продвинутых алгоритмов может превратить клубок компромиссов в понятные рекомендации, помогая проектировщикам создавать батарейные пакеты, которые работают холоднее, безопаснее и эффективнее в повседневной эксплуатации.

Цитирование: 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

Ключевые слова: охлаждение литий‑ионных батарей, управление тепловым режимом батареи, электромобили, фазово‑переходные материалы, оптимизация с помощью машинного обучения