Experimentally Validated Comparison of Two CFD Simulation Workflows for Oil Jet Cooling and LPTN Improvement

Moderne Elektrofahrzeuge verlassen sich auf leistungsstarke Motoren, die unglaublich kompakt und effizient sein müssen, um die Räder anzutreiben. Da diese Maschinen jedoch mehr Leistung auf kleinerem Raum unterbringen, erzeugen sie intensive Hitze. Wenn diese Hitze nicht schnell genug abgeführt wird, kann der Motor ausfallen oder an Leistung verlieren. Für die ersten Generationen von Elektroautos verwendeten Ingeniereure Wassergehäuse, die die Außenseite des Motors kühlten, aber diese Methode ist vergleichbar damit, eine heiße Tasse Kaffee zu kühlen, indem man über den Rand bläst; die Hitze aus der Mitte braucht zu lange, um zu entweichen. Um dies zu lösen, bewegt sich die Industrie in Richtung Direktkühlung, bei der Öl direkt auf die internen Komponenten, speziell auf die Kupferdrähte am Ende des Motors, gespritzt wird. Dieses Öl fungiert als ein nicht leitendes Fluid, das die Wärme schnell abführt, wodurch der Motor heißer und schneller laufen kann, ohne kaputtzugehen. Die Herausforderung für Ingenieure besteht darin, genau vorherzusagen, wie gut dieses Öl die komplexen, verschlungenen Formen der Drähte kühlt – eine Aufgabe, die anspruchsvolle Computersimulationen erfordert, um zu vermeiden, dass teure Prototypen gebaut werden, die nicht funktionieren.

Ein Forschungsteam der Universität Navarra und der Dauch Corporation setzte sich zum Ziel, zwei verschiedene Wege zur Simulation dieses Ölkühlungsprozesses zu testen. Sie wollten wissen, welche Computermethode die Temperatur des Motors am genauesten vorhersagen kann, während sie gleichzeitig die geringste Rechenleistung beansprucht. Um die Antwort zu finden, bauten sie zuerst ein physisches Testmodell. Sie nahmen einen echten Motorstator, den stationären Teil des Motors, der die Kupferwicklungen enthält, und platzierten ihn in einem durchsichtigen Kunststoffbehälter. Dieser Behälter ermöglichte es ihnen, den Ölfluss zu beobachten, während das Öl sicher eingeschlossen blieb. Sie leiteten Strom durch die Drähte, um Hitze zu erzeugen, genau wie ein echter Motor es tun würde, und verwendeten präzise Sensoren, um die Temperatur an verschiedenen Punkten zu messen. Sie testeten das System mit Ölflüssen bei zwei verschiedenen Geschwindigkeiten und zwei verschiedenen Ausgangstemperaturen, wodurch sie einen zuverlässigen Datensatz aus der realen Welt zur Vergleichung mit ihren Computermodellen schufen.

Die Forscher führten daraufhin zwei unterschiedliche Arten von Computersimulationen durch, um zu sehen, wie gut diese mit dem physischen Experiment übereinstimmten. Die erste Methode, bekannt als die Finite-Volumen-Methode, unterteilt den Raum um den Motor in Millionen winziger, fester Boxen. Sie verfolgt, wie sich das Öl und die Luft durch diese Boxen bewegen, und berechnet, wie die Flüssigkeit an den Drähten herabtropft und sich verteilt. Dieser Ansatz ist sehr detailliert und vielseitig und in der Lage zu zeigen, wie das Öl mit dem festen Metall interagiert, ist jedoch extrem langsam. Die zweite Methode, die Moving Particle Simulation (Partikel-Simulation), verwendet keine festen Boxen. Stattdessen behandelt sie das Öl als eine Ansammlung einzelner Partikel, die sich durch den Raum bewegen. Dieser Ansatz ist viel schneller, da er nicht die leere Luft um den Motor herum auf die gleiche Weise berechnen muss, erfordert jedoch einen separaten Schritt, um zu ermitteln, wie die Wärme innerhalb der festen Metalldrähte fließt.

Als das Team die Ergebnisse beider Simulationen mit ihren physischen Messungen verglich, stellte es fest, dass beide Methoden bemerkenswert genau darin waren, die durchschnittliche Temperatur der ölgekühlten Drähte vorherzusagen. Die detaillierte, boxbasierte Methode stimmte fast perfekt mit den realen Temperaturen überein, während die partikelbasierte Methode ebenfalls sehr nah dran war, wenngleich sie gelegentlich Schwierigkeiten hatte, die sehr heißesten Stellen vorherzusagen, wenn der Ölfluss langsamer war. Die Partikelmethode erwies sich als signifikant schneller; sie benötigte nur wenige Stunden auf einer leistungsstarken Grafikkarte, während die boxbasierte Methode Tage auf einem großen Server benötigte. Dieser Geschwindigkeitsunterschied ist entscheidend für Ingenieure, die viele verschiedene Designs schnell testen müssen. Die Forscher entdeckten auch, dass die Partikelmethode tatsächlich besser darin war, die Temperatur auf der Seite des Motors vorherzusagen, die nicht mit Öl besprüht wurde, wahrscheinlich weil die andere Methode die Metallstruktur zu stark vereinfachte, um vollkommen genau zu sein.

Die bedeutendste Erkenntnis der Studie war, was geschah, als die Forscher die detaillierten Wärmedaten aus diesen Simulationen in ein einfacheres, schnelleres Modell einspeisten, das im alltäglichen Design verwendet wird. Dieses einfachere Modell, bekannt als thermisches Netzwerk, stützt sich normalerweise auf grobe Schätzungen darüber, wie gut Öl den Motor kühlt. Als das Team diese Schätzungen durch die präzisen Daten ihrer fortschrittlichen Simulationen ersetzte, wurde das einfache Modell unglaublich genau. Es wandelte sich von einem Werkzeug, das um Dutzende von Grad daneben liegen konnte, in einen zuverlässigen Prädiktor, der den realen Tests entsprach. Dies bedeutet, dass Ingenieure nun schnelle, einfache Modelle verwenden können, um Kühlsysteme mit dem Vertrauen einer komplexen, langsamen Simulation zu entwerfen, vorausgesetzt, sie werden zuerst mit hochwertigen Daten kalibriert. Die Studie kommt zu dem Schluss, dass die langsamere, detaillierte Methode zwar eine große Flexibilität bietet, die schnellere Partikelmethode jedoch eine exzellente Wahl für die Simulation der Ölstrahlkühlung darstellt und einen leistungsstarken neuen Weg für die Entwicklung der nächsten Generation von Elektromotoren eröffnet.