CFD-informed machine learning for surface-temperature mapping of side-cooled 4680 lithium-ion cells under thermal uncertainty

داخل المركبات الكهربائية التي تشغل عالمنا الحديث، يكمن قلب الآلة في حزمة بطاريات مكونة من آلاف الخلايا الأسطوانية. ومن بين هذه الخلايا، أصبح نموذج محدد ذو حجم كبير يُعرف باسم "4680" معياراً للمركبات عالية الأداء، حيث يوفر طاقة في وحدة واحدة أكثر مما توفره التصميمات القديمة. ومع ذلك، فإن هذا الحجم يجلب معه تحدياً خفياً: الحرارة. فبينما تتدفق الكهرباء عبر البطارية، فإنها تولد حرارة، وإذا لم تتمكن هذه الحرارة من الهروب بشكل متساوٍ، فقد تتدهور الخلية بشكل أسرع أو حتى تصبح غير آمنة. وتكمن المشكلة في أن الجزء الأكثر سخونة في البطارية غالباً ما يقع في العمق، مختبئاً تحت الغلاف المعدني، بينما لا تستطيع المستشعرات سوى قياس درجة الحرارة على السطح الخارجي فقط. ولأن البنية الداخلية للبطارية معقدة والطريقة التي تنتقل بها الحرارة عبرها ليست معروفة تماماً، يواجه المهندسون صعوبة في التنبؤ بدقة بمدى سخونة اللب بمجرد النظر إلى السطح.

ولحل هذا اللغز، لجأ فريق من الباحثين إلى مزيج من المحاكاة الحاسوبية والذكاء الاصطناعي. فقد ركزوا على خلية واحدة من طراز "4680" يتم تبريدها من جانبها، وهو تصميم شائع في المركبات الكهربائية. أدرك الباحثون أن هناك عاملين محددين يسببان عدم اليقين في مدى كفاءة تبريد البطارية: قدرة الطبقات الحلزونية الداخلية على توصيل الحرارة نحو الخارج، وجودة التلامس بين غلاف البطارية وأجهزة التبريد. ولأن هذه القيم يمكن أن تختلف من بطارية إلى أخرى، فإن مجرد قياس درجة حرارة السطح غالباً ما يكون غير كافٍ لمعرفة القصة الحرارية الكاملة. لذا، وضع الفريق هدفاً لبناء أداة رقمية يمكنها أخذ قراءات قليلة لدرجة حرارة السطح، مع مراعاة هذه المجاهيل، لإعادة بناء مجال درجة حرارة الغلاف الخارجي للبطارية ضمن النطاق المحدد للظروف التي اختبروها.

بدأ الباحثون بإنشاء نموذج ثلاثي الأبعاد دقيق للغاية لخلية البطارية داخل الحاسوب. وقد عمل هذا النموذج كمختبر افتراضي حيث يمكنهم إجراء تجارب يصعب أو يستحيل تنفيذها على الأجهزة الحقيقية. قاموا بمحاكاة تدفق الحرارة عبر الخلية تحت ظروف مستقرة، مع توليد كمية ثابتة من الطاقة في الداخل وتطبيق درجة حرارة تبريد ثابتة على الجانب. ولاختبار كيفية استجابة النظام لعدم اليقين، أجروا خمسة وسبعين محاكاة مختلفة. وفي كل جولة، قاموا بتغيير طفيف في القدرة الداخلية لتوصيل الحرارة وفي سمك الفجوة بين البطارية والمبرد. ولكل محاكاة على حدة، سجلوا درجة الحرارة عند خمسة وعشرين نقطة محددة على الغلاف المعدني الخارجي. أنتجت هذه العملية مكتبة ضخمة من البيانات، تحتوي على ما يقرب من ألفي لقطة حرارية متميزة تربط خصائص داخلية محددة بقراءات سطحية محددة.

ومع امتلاك هذه المكتبة، قام الفريق بتدريب ثلاثة أنواع مختلفة من خوارزميات تعلم الآلة لتعمل كمترجم سريع وذكي. كانت هذه الخوارزميات مكلفة لتعلم العلاقة بين المتغيرات المدخلة — موقع البطارية، والناقلية الحرارية الداخلية، وفجوة التلامس — ودرجة حرارة السطح الناتجة. كان الهدف هو إنشاء نموذج "بديل"، وهو أداة برمجية خفيفة الوزن يمكنها التنبؤ بمجال درجة الحرارة فورياً تقريباً، دون الحاجة إلى تشغيل المحاكاة الحاسوبية الثقيلة والمستهلكة للوقت في كل مرة. واختبر الباحثون هذه الأدوات عن طريق إخفاء جزء من بياناتهم لمعرفة ما إذا كانت الخوارزميات ستتمكن من تخمين درجات الحرارة للنقاط التي لم تطلع عليها من قبل.

أظهرت النتائج أن اثنين من نهجي تعلم الآلة قد أديا ببراعة فائقة. فقد حققت إحدى الطرق، التي جمعت بين شبكة عصبية مصممة للتعرف على الأنماط ونظام يتذكر التسلسلات، وطريقة أخرى تعتمد على إيجاد أفضل ملاءمة رياضية للبيانات، معامل تحديد (R²) يقترب من 0.98. وكانت تنبؤاتهم لا تختلف بأكثر من ربع درجة مئوية في المتوسط. وهذا المستوى من الدقة يعني أن الأداة يمكنها إعادة إنشاء خريطة درجة حرارة سطح البطارية بشكل موثوق عبر نطاق الظروف التي اختبروها. وفي المقابل، عانت طريقة ثالثة، وهي نوع أكثر تقليدية من الشبكات العصبية، من عدم القدرة على التقاط التفاصيل الدقيقة، مما أدى إلى أخطاء أكبر بكثير وأقل اتساقاً.

كما كشفت الدراسة عن العوامل الأكثر أهمية عند التنبؤ بدرجة الحرارة. كان المتنبئ الأقوى هو ببساطة الموقع الرأسي على البطارية؛ حيث تتغير درجة الحرارة بشكل كبير من الأعلى إلى الأسفل بسبب الطريقة التي يتم بها ترتيب تلامس التبريد. وكان الموقع الأفقي حول الأسطوانة هو العامل الثاني الأكثر أهمية. ومن المثير للدهشة، أنه ضمن النطاق المحدد من الظروف الذي اختبره الفريق، كان للقيمة الدقيقة للناقلية الحرارية الداخلية وفجوة التلامس تأثير أقل بكثير على درجة حرارة السطح مقارنة بالموقع الفيزيائي للمستشعر. وهذا يشير إلى أنه بالنسبة لهذا الإعداد المحدد للتبريد، فإن معرفة مكانك على البطارية يخبرك عن درجة الحرارة أكثر مما تفعله الاختلافات الطفيفة في المواد الداخلية.

باستخدام أفضل نموذج لديهم، أظهر الباحثون كيف يمكن للأداة تصور مجال درجة الحرارة لمجموعة محددة من الظروف التي تقع داخل نطاق الاختبار ولكن لم يتم محاكاتها كنقطة بيانات منفصلة. ومن خلال تغذية النموذج بمزيج جديد من الخصائص الداخلية، تمكنوا من إنشاء خريطة سلسة ومستمرة لدرجة حرارة سطح البطارية، توضح بالضبط أين ستتركز الحرارة وأين ستتبدد. وأكد هذا التصور أن النموذج يمكنه إجراء "الاستكمال الداخلي" (interpolation)، أو ملء الفجوات، بين نقاط البيانات المحددة التي تعلم منها، مما يخلق صورة متماسكة للسلوك الحراري لذلك المزيج المحدد من المعايير.

يوفر هذا العمل طريقة عملية وغير مكلفة حاسوبياً لفهم الحالة الحرارية لهذه البطاريات الكبيرة. فمن خلال الجمع بين نموذج فيزيائي تم التحقق من صحته وتعلم الآلة، أنشأ الباحثون نظاماً يمكنه تقدير توزيع درجة حرارة السطح بسرعة حتى عندما لا تكون الخصائص الداخلية معروفة تماماً، ولكن فقط ضمن نطاق الحالة المستقرة الذي بحثوه. وبينما تظل الأداة الحالية محدودة بظروف الحالة المستقرة ولا تأخذ في الاعتبار بعد التغيرات السريعة في الطاقة أو التقادم، إلا أنها توفر أساساً متيناً لأنظمة الإدارة الحرارية المستقبلية. إنها تثبت أنه مع البيانات الصحيحة والخوارزميات الصحيحة، من الممكن رؤية أنماط الحرارة غير المرئية داخل البطارية بمجرد النظر إلى سطحها، وهي قدرة ضرورية للحفاظ على سلامة وكفاءة المركبات الكهربائية.