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

In den elektrischen Fahrzeugen, die unsere moderne Welt antreiben, ist das Herzstück der Maschine ein Batteriepaket, das aus tausenden zylindrischen Zellen besteht. Unter diesen hat sich ein spezielles großes Format namens 4680 als Standard für Hochleistungsfahrzeuge etabliert, da es in einer einzelnen Einheit mehr Energie bietet als ältere Designs. Diese Größe bringt jedoch eine verborgene Herausforderung mit sich: Hitze. Während der Strom durch die Batterie fließt, erzeugt er Wärme, und wenn diese Wärme nicht gleichmäßig entweichen kann, kann die Zelle schneller degradieren oder sogar unsicher werden. Das Problem ist, dass der heißeste Teil der Batterie oft tief im Inneren liegt, verborgen unter dem Metallgehäuse, während Sensoren nur die Temperatur an der Außenoberfläche messen können. Da die interne Struktur der Batterie komplex ist und die Art und Weise, wie Wärme durch sie hindurchfließt, nicht perfekt bekannt ist, haben Ingenieure Schwierigkeiten vorherzusagen, wie heiß der Kern wird, wenn sie nur auf die Oberfläche schauen.

Um dieses Rätsel zu lösen, wandte sich ein Forscherteam einer Kombination aus Computersimulation und künstlicher Intelligenz zu. Sie konzentrierten sich auf eine einzelne 4680-Zelle, die seitlich gekühlt wird – ein in Elektrofahrzeugen gängiges Design. Die Forscher wussten, dass zwei spezifische Faktoren die Unsicherheit darüber erzeugen, wie gut die Batterie abkühlt: die Fähigkeit der internen Spiralstrukturen, Wärme nach außen zu leiten, und die Qualität des Kontakts zwischen dem Batteriegehäuse und der Kühlung. Da diese Werte von einer Batterie zur anderen variieren können, reicht eine einfache Messung der Oberflächentemperatur oft nicht aus, um die vollständige thermische Geschichte zu kennen. Das Team setzte sich zum Ziel, ein digitales Werkzeug zu entwickeln, das aus wenigen Oberflächen-Temperaturmessungen – unter Berücksichtigung dieser Unbekannten – das Oberflächentemperaturfeld der Außenhülle der Batterie innerhalb des spezifischen Testbereichs rekonstruieren kann.

Die Forscher begannen damit, ein hochdetailliertes dreidimensionales Modell der Batteriezelle in einem Computer zu erstellen. Dieses Modell diente als virtuelles Labor, in dem sie Experimente durchführen konnten, die auf realer Hardware schwierig oder unmöglich wären. Sie simulierten den Wärmefluss durch die Zelle unter stationären Bedingungen, mit einer festen Menge an im Inneren erzeugter Energie und einer konstanten Kühlung an der Seite. Um zu testen, wie das System auf Unsicherheit reagiert, führten sie fünfundsiebzig verschiedene Simulationen durch. In jedem Durchgang veränderten sie leicht die interne Wärmeleitfähigkeit des Batteriekerns sowie die Dicke des Spalts zwischen der Batterie und der Kühlung. Für jede einzelne Simulation zeichneten sie die Temperatur an fünfundzwanzig spezifischen Punkten auf der Außenseite des Metallgehäuses auf. Dieser Prozess generierte eine massive Bibliothek von Daten, die fast zweitausend unterschiedliche Temperatur-Schnappschüsse enthielt, welche spezifische interne Eigenschaften mit spezifischen Oberflächenmesswerten verknüpften.

Mit dieser Bibliothek in der Hand trainierte das Team drei verschiedene Arten von Machine-Learning-Algorithmen, die als schnelle, intelligente Übersetzer fungieren sollten. Diese Algorithmen hatten die Aufgabe, die Beziehung zwischen den Eingabevariablen – der Position auf der Batterie, der internen Wärmeleitfähigkeit und dem Kontaktspalt – und der resultierenden Oberflächentemperatur zu erlernen. Das Ziel war die Erstellung eines „Surrogat-Modells“, eines leichtgewichtigen Software-Tools, das das Temperaturfeld fast augenblicklich vorhersagen kann, ohne dass jedes Mal die rechenintensive Computersimulation laufen muss. Die Forscher testeten diese Werkzeuge, indem sie einen Teil ihrer Daten verbargen und prüften, ob die Algorithmen die Temperaturen für die Punkte, die sie zuvor nicht gesehen hatten, korrekt erraten konnten.

Die Ergebnisse zeigten, dass zwei der Machine-Learning-Ansätze mit bemerkenswerter Präzision arbeiteten. Eine Methode, die ein neuronales Netz zur Mustererkennung mit einem System zur Speicherung von Sequenzen kombinierte, und eine andere Methode, die auf der Suche nach der besten mathematischen Anpassung an die Daten basierte, erreichten beide einen Bestimmtheitsmaß (R²) von nahezu 0,98. Ihre Vorhersagen wichen im Durchschnitt um weniger als ein Viertel eines Grades Celsius ab. Dieses Maß an Genauigkeit bedeutet, dass das Werkzeug in der Lage ist, die Temperaturkarte der Batterioberfläche über den getesteten Bedingungen hinweg zuverlässig zu rekonstruieren. Im Gegensatz dazu hatte ein dritter, eher standardmäßiger Typ eines neuronalen Netzes Schwierigkeiten, die subtilen Details zu erfassen, was zu deutlich größeren und weniger konsistenten Fehlern führte.

Die Studie enthüllte auch, welche Faktoren am wichtigsten waren, um die Temperatur vorherzusagen. Der stärkste Prädiktor war schlicht die vertikale Position auf der Batterie; die Temperatur ändert sich aufgrund der Anordnung des Kühlkontakts signifikant von oben nach unten. Die horizontale Position um den Zylinder herum war der zweitwichtigste Faktor. Überraschenderweise hatte der exakte Wert der internen Wärmeleitfähigkeit und des Kontaktspalts innerhalb des spezifischen Bereichs, den das Team getestet hatte, einen viel geringeren Einfluss auf die Oberflächentemperatur als die physische Position des Sensors. Dies deutet darauf hin, dass bei diesem spezifischen Kühlaufbau die Information darüber, wo man sich auf der Batterie befindet, mehr über die Temperatur aussagt als die leichten Variationen in den internen Materialien.

Unter Verwendung ihres leistungsfähigsten Modells demonstrierten die Forscher, wie das Werkzeug das Temperaturfeld für eine spezifische Gruppe von Bedingungen visualisieren kann, die innerhalb ihres getesteten Bereichs lagen, aber nicht als diskreter Datenpunkt simuliert worden waren. Indem sie dem Modell eine neue Kombination interner Eigenschaften einspeisten, erzeugten sie eine glatte, kontinuierliche Karte der Oberflächentemperatur der Batterie, die genau zeigte, wo sich die Hitze konzentrieren und wo sie sich verteilen würde. Diese Visualisierung bestätigte, dass das Modell in der Lage ist zu interpolieren – also die Lücken zwischen den spezifischen Datenpunkten zu füllen, die es gelernt hatte –, wodurch ein kohärentes Bild des thermischen Verhaltens für diese spezifische Parameterkombination entstand.

Die Arbeit bietet einen praktischen, rechentechnisch kostengünstigen Weg, um den thermischen Zustand dieser großen Batterien zu verstehen. Durch die Kombination eines validierten Physikmodells mit maschinellem Lernen schufen die Forscher ein System, das die Oberflächentemperaturverteilung selbst dann schnell schätzen kann, wenn die internen Eigenschaften nicht perfekt bekannt sind, jedoch nur innerhalb des untersuchten stationären Bereichs. Obwohl das aktuelle Werkzeug auf stationäre Bedingungen beschränkt ist und noch keine schnellen Änderungen der Leistung oder Alterung berücksichtigt, bietet es eine solide Grundlage für zukünftige Thermomanagement-Systeme. Es beweist, dass es mit den richtigen Daten und den richtigen Algorithmen möglich ist, die unsichtbaren Hitzemuster im Inneren einer Batterie allein durch die Betrachtung ihrer Oberfläche zu sehen – eine Fähigkeit, die entscheidend ist, um Elektrofahrzeuge sicher und effizient zu halten.