⚡ ingeniería eléctrica

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

Este estudio desarrolla un sustituto de aprendizaje automático computacionalmente eficiente, entrenado con 75 simulaciones de CFD de una celda de litio de 4680 con enfriamiento lateral bajo incertidumbre térmica, para reconstruir con precisión su campo de temperatura superficial completo a partir de datos de sensores limitados, demostrando que los modelos CNN-LSTM y SVM logran una alta precisión predictiva (R² ≈ 0,98) con la posición axial identificada como el predictor de temperatura dominante.

Autores originales: Aydin Ulus, Ihsan Uluocak, Wajih Nazim Kamal, Kyosung Choo, Young Jik Youn

Publicado 2026-11-04

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Aydin Ulus, Ihsan Uluocak, Wajih Nazim Kamal, Kyosung Choo, Young Jik Youn

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Dentro de los vehículos eléctricos que impulsan nuestro mundo moderno, el corazón de la máquina es un paquete de baterías compuesto por miles de celdas cilíndricas. Entre estas, un formato específico de gran tamaño conocido como 4680 se ha convertido en un estándar para vehículos de alto rendimiento, ofreciendo más energía en una sola unidad que los diseños anteriores. Sin embargo, este tamaño conlleva un desafío oculto: el calor. A medida que la electricidad fluye a través de la batería, genera calor, y si ese calor no puede escapar de manera uniforme, la celda puede degradarse más rápido o incluso volverse insegura. El problema es que la parte más caliente de la batería suele encontrarse en lo profundo, oculta bajo la carcasa metálica, mientras que los sensores solo pueden medir la temperatura en la superficie exterior. Debido a que la estructura interna de la batería es compleja y la forma en que el calor se desplaza a través de ella no se conoce perfectamente, los ingenieros luchan por predecir exactamente qué tan caliente se pone el núcleo basándose solo en la observación de la piel.

Para resolver este rompecabezas, un equipo de investigadores recurrió a una combinación de simulación computacional e inteligencia artificial. Se centraron en una sola celda 4680 que se enfría por su lateral, un diseño común en los vehículos eléctricos. Los investigadores sabían que dos factores específicos crean incertidumbre en qué tan bien se enfría la batería: la capacidad de las capas espirales internas para conducir el calor hacia afuera, y la calidad del contacto entre la carcasa de la batería y el hardware de enfriamiento. Debido a que estos valores pueden variar de una batería a otra, una simple medición de la temperatura superficial a menudo no es suficiente para conocer la historia térmica completa. El equipo se propuso construir una herramienta digital que pudiera tomar unas pocas lecturas de temperatura superficial y, teniendo en cuenta estas incógnitas, reconstruir el campo de temperatura de la superficie exterior de la batería dentro del rango específico de condiciones que probaron.

Los investigadores comenzaron creando un modelo tridimensional altamente detallado de la celda de la batería dentro de una computadora. Este modelo actuó como un laboratorio virtual donde podían realizar experimentos que serían difíciles o imposibles de llevar a cabo en hardware real. Simularon el flujo de calor a través de la celda bajo condiciones estacionarias, con una cantidad fija de energía generándose en el interior y una temperatura de enfriamiento constante aplicada al lateral. Para probar cómo reacciona el sistema ante la incertidumbre, realizaron setenta y cinco simulaciones diferentes. En cada ejecución, cambiaron ligeramente la capacidad de conducción de calor interna de la batería y el grosor del espacio entre la batería y el enfriador. Por cada simulación, registraron la temperatura en veinticinco puntos específicos en el exterior de la carcasa metálica. Este proceso generó una biblioteca masiva de datos, que contenía casi dos mil instantáneas de temperatura distintas que vinculaban propiedades internas específicas con lecturas superficiales específicas.

Con esta biblioteca en mano, el equipo entrenó tres tipos diferentes de algoritmos de aprendizaje automático para que actuaran como un traductor rápido e inteligente. Estos algoritmos tenían la tarea de aprender la relación entre las variables de entrada —la ubicación en la batería, la conductividad térmica interna y el espacio de contacto— y la temperatura superficial resultante. El objetivo era crear un modelo "subrogado", una herramienta de software ligera que pudiera predecir el campo de temperatura de forma casi instantánea, sin necesidad de ejecutar la pesada y lenta simulación computacional cada vez. Los investigadores probaron estas herramientas ocultando una parte de sus datos y observando si los algoritmos podían adivinar correctamente las temperaturas de los puntos que no habían visto antes.

Los resultados mostraron que dos de los enfoques de aprendizaje automático funcionaron con una precisión notable. Un método, que combinaba una red neuronal diseñada para reconocer patrones con un sistema que recuerda secuencias, y otro método basado en encontrar el mejor ajuste matemático para los datos, ambos lograron un coeficiente de determinación (R²) de casi 0.98. Sus predicciones fallaron por menos de un cuarto de grado Celsius en promedio. Este nivel de precisión significa que la herramienta puede recrear de manera confiable el mapa de temperatura de la superficie de la batería a través del rango de condiciones que probaron. En contraste, un tercer tipo de red neuronal, más estándar, tuvo dificultades para capturar los detalles sutiles, produciendo errores significativamente mayores y menos consistentes.

El estudio también reveló qué factores importaban más al predecir la temperatura. El predictor más poderoso fue simplemente la posición vertical en la batería; la temperatura cambia significativamente de la parte superior a la inferior debido a la forma en que se dispone el contacto de enfriamiento. La posición horizontal alrededor del cilindro fue el segundo factor más importante. Sorprendentemente, dentro del rango específico de condiciones que el equipo probó, el valor exacto de la conductividad térmica interna y el espacio de contacto tuvieron una influencia mucho menor en la temperatura superficial que la ubicación física del sensor. Esto sugiere que, para este diseño de enfriamiento específico, saber dónde te encuentras en la batería dice más sobre la temperatura que las ligeras variaciones en los materiales internos.

Utilizando su mejor modelo, los investigadores demostraron cómo la herramienta podía visualizar el campo de temperatura para un conjunto específico de condiciones que se encontraba dentro de su rango de prueba, pero que no había sido simulado como un punto de datos discreto. Al alimentar al modelo con una nueva combinación de propiedades internas, generó un mapa suave y continuo de la temperatura de la superficie de la batería, mostrando exactamente dónde se concentraría el calor y dónde se disiparía. Esta visualización confirmó que el modelo podía interpolar, o llenar los huecos, entre los puntos de datos específicos que había aprendido, creando una imagen coherente del comportamiento térmico para esa combinación de parámetros específica.

El trabajo proporciona una forma práctica y computacionalmente económica de comprender el estado térmico de estas baterías de gran tamaño. Al combinar un modelo físico validado con el aprendizaje automático, los investigadores crearon un sistema que puede estimar rápidamente la distribución de la temperatura superficial incluso cuando las propiedades internas no se conocen perfectamente, pero solo dentro del dominio de estado estacionario que investigaron. Si bien la herramienta actual está limitada a condiciones de estado estacionario y aún no contempla cambios rápidos en la potencia o el envejecimiento, ofrece una base sólida para futuros sistemas de gestión térmica. Demuestra que, con los datos adecuados y los algoritmos correctos, es posible ver los patrones de calor invisibles dentro de una batería simplemente mirando su superficie, una capacidad que es esencial para mantener los vehículos eléctricos seguros y eficientes.

Resumen Técnico: Aprendizaje Automático Informado por CFD para el Mapeo de la Temperatura Superficial de Celdas de Litio-Ion 4680 con Enfriamiento Lateral

Planteamiento del Probleza
Las celdas de litio-ion de gran formato 4680 presentan desafíos significativos para el monitoreo térmico. Las mediciones de la temperatura superficial por sí solas no logran caracterizar completamente el estado térmico interno, particularmente dada la sustancial distancia radial que el calor debe recorrer desde el jelly roll hasta la superficie de la lata. Además, las propiedades críticas de transferencia de calor, como la conductividad radial del jelly roll y la resistencia de la interfaz celda-enfriador, siguen siendo inciertas y variables. Si bien la literatura existente ha establecido la importancia de la arquitectura de la celda y las topologías de enfriamiento, la mayoría de los análisis dependen de propiedades térmicas fijas o calibradas. Por el contrario, los métodos basados en datos para la estimación de la temperatura interna suelen centrarse en parametrizaciones u condiciones operativas específicas sin abordar adecuadamente las variaciones simultáneas de las propiedades térmicas. Este estudio aborda la brecha en la reconstrucción del campo de temperatura de la superficie externa de una lata de una celda 4680 con enfriamiento lateral cuando la conductividad radial del jelly roll y la resistencia de la interfaz varían simultáneamente.

Metodología
La investigación emplea un marco híbrido que combina un modelo de Dinámica de Fluidos Computacional (CFD) de estado estacionario tridimensional validado con sustitutos de aprendizaje automático (ML).

Modelado CFD: Se desarrolló un modelo térmico de estado estacionario 3D de una cel la Tesla 4680 Gen2 con enfriamiento lateral en ANSYS Fluent. La geometría sigue una configuración validada experimentalmente donde un enfriador lateral de aluminio cubre un sector circunferencial de 60° sobre una altura axial de 70 mm. El jelly roll se modela como un sólido ortotrópico con una conductividad axial/circunferencial fija ( $k_{\theta} = k_z = 23.1$ W m⁻¹ K⁻¹) y una conductividad radial variable ( $k_r$ ). Una resistencia térmica de pared delgada equivalente representa la interfaz entre la lata de la celda y el enfriador.
Diseño Experimental: Se generó un conjunto de datos estructurado variando dos parámetros: la conductividad radial del jelly roll ( $k_r$ ) a través de 15 niveles (0.90–2.00 W m⁻¹ K⁻¹) y el espesor de la interfaz equivalente ( $t_{int}$ ) a través de 5 niveles (0.40–0.60 mm). Todas las demás condiciones, incluyendo una entrada de calor fija de 6.0 W y un límite de enfriador de 25°C, se mantuvieron constantes. Esto resultó en 75 casos independientes de CFD en estado estacionario.
Generación de Datos: De cada caso de CFD, se extrajeron temperaturas en 25 ubicaciones fijas en la superficie exterior de la lata (una cuadrícula de 5×5 posiciones axiales y circunferenciales), obteniendo un total de 1,875 muestras espaciales.
Marco de Aprendizaje Automático: Se entrenaron tres modelos de regresión utilizando la partición de datos punto a punto (validación cruzada de cinco pliegues) y normalización z-score:
1. CNN-LSTM: Un modelo híbrido que trata las 25 ubicaciones superficiales como una secuencia.
2. Regresión de Vectores de Soporte (SVM): Un comparador basado en kernels no neuronal.
3. Perceptrón Multicapa (MLP): Un modelo base de red neuronal totalmente conectada.
  Los hiperparámetros se optimizaron mediante optimización bayesiana.

Resultos Clave

Validación CFD: El modelo CFD base reprodujo tres temperaturas de validación publicadas con una diferencia absoluta máxima de 0.196°C. El análisis de convergencia de malla confirmó que la diferencia entre las dos mallas más finas fue inferior al 0.01%.
Desempeño del Modelo: En el subconjunto de prueba no utilizado para el entrenamiento, los modelos CNN-LSTM y SVM demostraron una precisión casi idéntica y elevada:
- CNN-LSTM: $R^2 = 0.981$ , RMSE = 0.238°C.
- SVM: $R^2 = 0.980$ , RMSE = 0.245°C.
- MLP: Desempeñó significativamente peor con un $R^2 = 0.817$ y un RMSE = 0.685°C, exhibiendo una dispersión de error más amplia y mayores valores atípicos.
Importancia de las Características: El análisis de perturbación identificó la posición axial ( $z$ ) como el predictor dominante de la temperatura superficial (aumentando el RMSE en ~1.8°C cuando se perturba), seguido de la posición circunferencial ( $x$ ) y la conductividad radial ( $k_r$ ). La influencia de la resistencia de la interfaz ( $t_{int}$ ) fue comparativamente pequeña dentro del rango probado.
Reconstrucción del Sustituto: El sustituto entrenado reconstruyó con éxito el campo de temperatura de la superficie de la lata para una combinación de parámetros interpolada ( $k_r = 1.35$ W m⁻¹ K⁻¹, $t_{int} = 0.52$ mm), visualizando gradientes axiales y circunferenciales suaves consistentes con las restricciones físicas del enfriamiento lateral.

Significancia y Reivindicaciones
El artículo sostiene que el marco de aprendizaje automático informado por CFD desarrollado proporciona una base computacionalmente económica para el análisis de sensibilidad térmica y la reconstrucción de la temperatura superficial dentro del rango de parámetros investigado. El estudio demuestra que los modelos de aprendizaje automático pueden aprender eficazmente el mapeo complejo entre las coordenadas espaciales y las propiedades térmicas para predecir campos de temperatura superficial.

Sin embargo, los autores mantienen un alcance modesto respecto a la generalización de estos resultados. Establecen explícitamente que las métricas de desempeño reportadas cuantifican la interpolación de las muestras espaciales retenidas dentro del espacio de diseño simulado, en lugar de una generalización independiente a operadores térmicos completamente nuevos o condiciones operativas dinámicas. Los modelos están restringidos al comportamiento en estado estacionario con cargas de calor y límites de enfriamiento fijos; no consideran el almacenamiento transitorio, los efectos de envejecimiento o el escape térmico (thermal runaway). En consecuencia, los autores concluyen que se requiere una validación caso por caso adicional antes de extender estos modelos a operadores térmicos no vistos o a diferentes condiciones operativas. La contribución principal es la demostración de un enfoque de modelado sustituto que captura la respuesta acoplada de la temperatura superficial a las variaciones en la conductividad radial y la resistencia de la interfaz para celdas 4680 con enfriamiento lateral.

Más como este