Design av ett Li‑jonbatteris kylsystem som integrerar PCM, värmerör och vätskekretsar med marina rovdjursalgoritm‑förbättrad ANN och multi‑verse optimering

Hålla bilbatterier svala och säkra

Litiumjonbatterier driver allt från mobiltelefoner till elbilar, men de tål inte att bli för varma. När ett batteripaket värms upp ojämnt kan det förlora kapacitet snabbare, slösa energi och i extrema fall gå sönder på farliga sätt. Denna artikel undersöker ett smart sätt att hålla sådana batterier vid behagliga temperaturer genom att kombinera flera kylmetoder och använda artificiell intelligens för att finslipa konstruktionen, med målet att möjliggöra säkrare, mer långlivade och effektivare elfordon.

En ny typ av kyl‑smörgås

Studien fokuserar på ett ”hybrid” kylsystem inlindat runt en modul av cylindriska litiumjonceller. Istället för att förlita sig enbart på luft är batterierna inbäddade i en smörgås av tre samverkande element: ett fasövergångsmaterial (PCM) som absorberar värme genom att smälta, en skog av små inbäddade värmerör som snabbt sprider värme, och en vätskekyld platta som transporterar bort värmen. Tillsammans försöker dessa lager göra två saker samtidigt: jämna ut varma punkter mellan intilliggande celler och hålla den övergripande temperaturen under en säker gräns, samtidigt som så mycket användbar energi per kilogram som möjligt bevaras.

Balansera utrymme, form och lagring

Eftersom batterier måste få plats i trånga utrymmen i bilar och bussar lägger författarna stor vikt vid geometrin: avståndet mellan celler i två riktningar samt tjockleken och höjden på värmerörsarrangemanget. Med hjälp av detaljerade datasimuleringar från tidigare experimentellt arbete analyserar de hur dessa dimensioner påverkar tre utfall: hur ojämna temperaturerna blir inne i paketet, hur hög den varmaste cellens temperatur blir och hur mycket energi hela modulen kan lagra per viktenhet. Resultaten visar tydliga kompromisser. Större mellanrum och tjockare, högre värmerörsskikt hjälper till att sprida och avleda värme, vilket sänker både maximal temperatur och temperaturojämnhet. Men dessa designval ökar också volym och vikt, vilket minskar paketets energitäthet.

Lära algoritmer att utforma kylningen

För att effektivt utforska alla dessa designval bygger forskarna maskininlärningsmodeller som fungerar som snabba ”ställen‑in” för kostsamma simuleringar. De tränar neurala nätverk för att förutsäga temperaturdifferens, högsta temperatur och energitäthet utifrån de geometriska ingångarna. Två naturinspirerade sökmetoder — en genetisk algoritm och en marin rovdjursalgoritm — används för att ställa in nätverkens interna parametrar så att deras förutsägelser ligger nära referensdata. När modellerna väl tränats når de mycket hög noggrannhet, vilket tillåter teamet att snabbt uppskatta hur miljontals designvarianter skulle bete sig utan att köra om de fulla fysiksimuleringarna varje gång.

Hitta de bästa kompromisserna, inte bara en bästa design

I stället för att jaga ett enda perfekt utseende använder studien en flerobjektiv optimeringsmetod som genererar en ”Pareto‑front” av lika giltiga kompromisser. På denna front innebär förbättring av ett mål — som att pressa in fler wattimmar i samma massa — oundvikligen en försämring av ett annat, till exempel att höja den varmast stående cellens temperatur. Analysen visar att mycket tjocka och höga värmerörsstrukturer kan hålla temperaturdifferenser så låga som omkring 2 °C och max‑temperaturer runt 38–39 °C, men sänker energitätheten till ungefär 140 Wh/kg. Tunnare konstruktioner driver energitätheten upp nära 157 Wh/kg, närmare vad fordonstillverkare eftersträvar, men tillåter större temperaturvariationer och högre toppar. Mellantjocka lösningar hamnar i mitten och erbjuder både rimliga säkerhetsmarginaler och en respektabel lagringskapacitet.

Från kurvor i en graf till verkliga val

Ingenjörer måste ändå välja en enda design för ett faktiskt batteripaket. För att överbrygga detta slutskede använder författarna en beslutsmetod som rangordnar de många Pareto‑optimala alternativen enligt olika prioriteringar — såsom att maximera säkerhet, maximera kapacitet eller hitta en balanserad kompromiss. Genom att justera dessa vikter identifierar de specifika geometriska recept för scenarier som säkerhetskritiska elfordon, energitäta portabla system eller balanserade nätlagringsmoduler. Enkelt uttryckt visar artikeln hur kombinationen av smart kylhårdvara och avancerade algoritmer kan omvandla en härva av avvägningar till tydliga riktlinjer, vilket hjälper konstruktörer att bygga batteripaket som är svalare, säkrare och mer kapabel i vardaglig användning.

Citering: 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

Nyckelord: kylning av litiumjonbatteri, termisk hantering av batterier, elbilar, fasövergångsmaterial, optimering med maskininlärning