⚡ génie électrique

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

Cette étude développe un substitut d'apprentissage automatique à efficacité computationnelle, entraîné sur 75 simulations CFD d'une cellule lithium-ion 4680 refroidie latéralement sous incertitude thermique, afin de reconstruire avec précision son champ de température de surface complet à partir de données de capteurs limitées, démontrant que les modèles CNN-LSTM et SVM atteignent une grande précision prédictive (R² ≈ 0,98) avec la position axiale identifiée comme le prédicteur de température dominant.

Auteurs originaux : Aydin Ulus, Ihsan Uluocak, Wajih Nazim Kamal, Kyosung Choo, Young Jik Youn

Publié 2026-11-04

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Aydin Ulus, Ihsan Uluocak, Wajih Nazim Kamal, Kyosung Choo, Young Jik Youn

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

À l'intérieur des véhicules électriques qui alimentent notre monde moderne, le cœur de la machine est un pack de batteries composé de milliers de cellules cylindriques. Parmi celles-ci, un format spécifique de grande dimension connu sous le nom de 4680 est devenu un standard pour les véhicules de haute performance, offrant plus d'énergie dans une seule unité que les conceptions plus anciennes. Cependant, cette taille apporte un défi caché : la chaleur. À mesure que l'électricité circule dans la batterie, elle génère de la chaleur, et si cette chaleur ne peut pas s'échapper uniformément, la cellule peut se dégrader plus rapidement ou même devenir dangereuse. Le problème est que la partie la plus chaude de la batterie se trouve souvent profondément à l'intérieur, cachée sous le boîtier métallique, tandis que les capteurs ne peuvent mesurer que la température sur la surface extérieure. Parce que la structure interne de la batterie est complexe et que la façon dont la chaleur s'y déplace n'est pas parfaitement connue, les ingénieurs peinent à prédire exactement la température du cœur en observant simplement la peau.

Pour résoudre ce casse-tête, une équipe de chercheurs s'est tournée vers une combinaison de simulation informatique et d'intelligence artificielle. Ils se sont concentrés sur une seule cellule 4680 refroidie sur son côté, une conception courante dans les véhicules électriques. Les chercheurs savaient que deux facteurs spécifiques créent une incertitude quant à la capacité de la batterie à se refroidir : la capacité des couches internes en spirale à conduire la chaleur vers l'extérieur, et la qualité du contact entre le boîtier de la batterie et le matériel de refroidissement. Comme ces valeurs peuvent varier d'une batterie à l'autre, une simple mesure de la température de surface est souvent insuffisante pour connaître toute l'histoire thermique. L'équipe s'est donné pour mission de construire un outil numérique capable de prendre quelques lectures de température de surface et, en tenant compte de ces inconnues, de reconstruire le champ de température de la surface extérieure de la batterie dans la plage spécifique des conditions testées.

Les chercheurs ont commencé par créer un modèle tridimensionnel hautement détaillé de la cellule de batterie à l'intérieur d'un ordinateur. Ce modèle agissait comme un laboratoire virtuel où ils pouvaient mener des expériences qui seraient difficiles ou impossibles à réaliser sur du matériel réel. Ils ont simulé le flux de chaleur à travers la cellule dans des conditions stationnaires, avec une quantité fixe d'énergie générée à l'intérieur et une température de refroidissement constante appliquée sur le côté. Pour tester la réaction du système face à l'incertitude, ils ont réalisé soixante-quinze simulations différentes. Dans chaque exécution, ils modifiaient légèrement la capacité de conduction thermique interne de la batterie et l'épaisseur de l'espace entre la batterie et le refroidisseur. Pour chaque simulation, ils enregistraient la température en vingt-cinq points spécifiques sur l'extérieur du boîtier métallique. Ce processus a généré une immense bibliothèque de données, contenant près de deux mille instantanés de température reliant des propriétés internes spécifiques à des lectures de surface spécifiques.

Avec cette bibliothèque en main, l'équipe a entraîné trois types différents d'algorithmes d'apprentissage automatique pour agir comme un traducteur rapide et intelligent. Ces algorithmes avaient pour tâche d'apprendre la relation entre les variables d'entrée — l'emplacement sur la batterie, la conductivité thermique interne et l'écart de contact — et la température de surface résultante. L'objectif était de créer un modèle « substitut » (surrogate model), un outil logiciel léger, capable de prédire le champ de température presque instantanément, sans avoir besoin de lancer la simulation informatique lourde et chronophage à chaque fois. Les chercheurs ont testé ces outils en cachant une partie de leurs données et en vérifiant si les algorithmes pouvaient deviner correctement les températures pour les points qu'ils n'avaient pas encore vus.

Les résultats ont montré que deux des approches d'apprentissage automatique ont performé avec une précision remarquable. Une méthode, qui combinait un réseau de neurones conçu pour reconnaître les motifs avec un système capable de mémoriser les séquences, et une autre méthode basée sur la recherche de la meilleure correspondance mathématique pour les données, ont toutes deux atteint un coefficient de détermination (R²) de près de 0,98. Leurs prédictions ne s'écartaient que de moins d'un quart de degré Celsius en moyenne. Ce niveau de précision signifie que l'outil peut reconstruire de manière fiable la carte de température de la surface de la batterie sur toute la plage de conditions testées. En revanche, un troisième type de réseau de neurones, plus standard, a eu du mal à capturer les détails subtils, produisant des erreurs nettement plus importantes et moins constantes.

L'étude a également révélé quels facteurs importaient le plus lors de la prédiction de la température. Le prédicteur le plus puissant était simplement la position verticale sur la batterie ; la température change considérablement du haut vers le bas en raison de la façon dont le contact de refroidissement est disposé. La position horizontale autour du cylindre était le deuxième facteur le plus important. Étonnamment, dans la plage spécifique de conditions testées par l'équipe, la valeur exacte de la conductivité thermique interne et de l'écart de contact avait une influence bien moindre sur la température de surface que la position physique du capteur. Cela suggère que pour cette configuration de refroidissement spécifique, savoir où l'on se trouve sur la batterie en dit plus sur la température que les légères variations des matériaux internes.

En utilisant leur meilleur modèle, les chercheurs ont démontré comment l'outil pouvait visualiser le champ de température pour un ensemble spécifique de conditions qui se situait à l'intérieur de leur plage de tests, mais qui n'avait pas été simulé comme un point de données distinct. En injectant dans le modèle une nouvelle combinaison de propriétés internes, ils ont généré une carte lisse et continue de la température de surface de la batterie, montrant précisément où la chaleur se concentrerait et où elle se dissiperait. Cette visualisation a confirmé que le modèle pouvait interpoler, ou combler les lacunes, entre les points de données spécifiques qu'il avait appris, créant ainsi une image cohérente du comportement thermique pour cette combinaison de paramètres spécifique.

Ce travail offre un moyen pratique et peu coûteux en termes de calcul pour comprendre l'état thermique de ces grandes batteries. En combinant un modèle physique validé avec l'apprentissage automatique, les chercheurs ont créé un système capable d'estimer rapidement la distribution de la température de surface, même lorsque les propriétés internes ne sont pas parfaitement connues, mais seulement dans le domaine stationnaire qu'ils ont étudié. Bien que l'outil actuel soit limité aux conditions stationnaires et ne prenne pas encore en compte les changements rapides de puissance ou le vieillissement, il constitue une base solide pour les futurs systèmes de gestion thermique. Il prouve qu'avec les bonnes données et les bons algorithmes, il est possible de voir les motifs de chaleur invisibles à l'intérieur d'une batterie simplement en observant sa surface, une capacité essentielle pour garantir la sécurité et l'efficacité des véhicules électriques.

Résumé Technique : Apprentissage automatique informé par la CFD pour la cartographie de la température de surface des cellules lithium-ion 4680 à refroidissement latéral

Énoncé du problème
Les cellules lithium-ion de grand format 4680 présentent des défis importants pour le suivi thermique. Les mesures de la température de surface seules ne permettent pas de caractériser pleinement l'état thermique interne, compte tenu notamment de la distance radiale substantielle que la chaleur doit parcourir depuis le bobinage (jelly roll) jusqu'à la paroi de la cellule. De plus, des propriétés de transfert de chaleur critiques, telles que la conductivité radiale du bobinage et la résistance d'interface entre la cellule et le refroidisseur, restent incertaines et variables. Alors que la littérature existante a établi l'importance de l'architecture des cellules et des topologies de refroidissement, la plupart des analyses reposent sur des propriétés thermiques fixes ou calibrées. À l'inverse, les méthodes basées sur les données pour l'estimation de la température interne se concentrent souvent sur des paramétrisations ou des conditions de fonctionnement spécifiques sans traiter adéquatement les variations simultanées des propriétés thermiques. Cette étude comble la lacune de la reconstruction du champ de température de la surface externe d'une cellule 4680 à refroidissement latéral lorsque la conductivité radiale du bobinage et la résistance d'interface varient simultanément.

Méthodologie
La recherche emploie un cadre hybride combinant un modèle de mécanique des fluides numérique (CFD) stationnaire tridimensionnel validé avec des substituts d'apprentissage automatique (ML).

Modélisation CFD : Un modèle thermique stationnaire 3D d'une cellule Tesla 4680 Gen2 à refroidissement latéral a été développé dans ANSYS Fluent. La géométrie suit une configuration validée expérimentalement où un refroidisseur latéral en aluminium couvre un secteur circonférentiel de 60° sur une hauteur axiale de 70 mm. Le bobinage est modélisé comme un solide orthotrope avec une conductivité axiale/circonférentielle fixe ( $k_{\theta} = k_z = 23,1$ W m⁻¹ K⁻¹) et une conductivité radiale variable ( $k_r$ ). Une résistance thermique équivalente à paroi mince représente l'interface entre la canette de la cellule et le refroidisseur.
Plan d'expérience : Un ensemble de données structuré a été généré en faisant varier deux paramètres : la conductivité radiale du bobinage ( $k_r$ ) sur 15 niveaux (0,90–2,00 W m⁻¹ K⁻¹) et l'épaisseur d'interface équivalente ( $t_{int}$ ) sur 5 niveaux (0,40–0,60 mm). Toutes les autres conditions, y compris un apport de chaleur fixe de 6,0 W et une limite de refroidissement de 25 °C, ont été maintenues constantes. Cela a produit 75 cas CFD indépendants en régime stationnaire.
Génération de données : Pour chaque cas CFD, les températures ont été extraites à 25 emplacements fixes sur la surface externe de la canette (une grille 5×5 de positions axiales et circonférentielles), soit un total de 1 875 échantillons spatiaux.
Cadre d'apprentissage automatique : Trois modèles de régression ont été entraînés en utilisant un partitionnement des données par points (validation croisée à cinq plis) et une normalisation z-score :
1. CNN-LSTM : Un modèle hybride traitant les 25 emplacements de surface comme une séquence.
2. Régression par Vecteurs de Support (SVM) : Un comparateur non neuronal basé sur un noyau.
3. Perceptron Multicouche (MLP) : Une base de réseau neuronal entièrement connecté.
  Les hyperparamètres ont été optimisés via l'optimisation bayésienne.

Résultats clés

Validation CFD : Le modèle CFD de base a reproduit trois températures de validation publiées avec une différence absolue maximale de 0,196 °C. L'analyse de convergence de grille a confirmé que la différence entre les deux maillages les plus fins était inférieure à 0,01 %.
Performance des modèles : Sur le sous-ensemble de test mis de côté, les modèles CNN-LSTM et SVM ont démontré une précision élevée presque identique :
- CNN-LSTM : $R^2 = 0,981$ , RMSE = 0,238 °C.
- SVM : $R^2 = 0,980$ , RMSE = 0,245 °C.
- MLP : A performé de manière nettement moins efficace avec un $R^2 = 0,817$ et un RMSE = 0,685 °C, présentant une dispersion d'erreur plus large et des valeurs aberrantes plus importantes.
Importance des caractéristiques : L'analyse de perturbation a identifié la position axiale ( $z$ ) comme le prédicteur dominant de la température de surface (augmentant l'RMSE d'environ 1,8 °C lorsqu'elle est perturbée), suivie de la position circonférentielle ( $x$ ) et de la conductivité radiale ( $k_r$ ). L'influence de la résistance d'interface ( $t_{int}$ ) était comparativement faible dans la plage testée.
Reconstruction par substitut : Le substitut entraîné a réussi à reconstruire le champ de température de la surface de la canette pour une combinaison de paramètres interpolée ( $k_r = 1,35$ W m⁻¹ K⁻¹, $t_{int} = 0,52$ mm), visualisant des gradients axiaux et circonférentiels lisses cohérents avec les contraintes physiques du refroidissement latéral.

Signification et affirmations
L'article affirme que le cadre d'apprentissage automatique informé par la CFD développé fournit une base peu coûteuse en calcul pour l'analyse de sensibilité thermique et la reconstruction de la température de surface dans la plage de paramètres stationnaires investiguée. L'étude démontre que les substituts d'apprentissage automatique peuvent efficacement apprendre la correspondance complexe entre les coordonnées spatiales et les propriétés thermiques pour prédire les champs de température de surface.

Cependant, les auteurs maintiennent une portée modeste concernant la généralisabilité de ces résultats. Ils déclarent explicitement que les métriques de performance rapportées quantifient l'interpolation d'échantillons spatiaux mis de côté au sein de l'espace de conception simulé, plutôt qu'une généralisation indépendante à des opérateurs thermiques ou des conditions de fonctionnement dynamiques totalement nouveaux. Les modèles sont limités aux comportements stationnaires avec des charges thermiques et des limites de refroidissement fixes ; ils ne tiennent pas compte du stockage transitoire, des effets de vieillissement ou de l'emballement thermique. Par conséquent, les auteurs concluent qu'une validation cas par cas supplémentaire est nécessaire avant d'étendre ces modèles à des opérateurs thermiques ou à des conditions de fonctionnement non observés. La contribution primaire est la démonstration d'une approche de modélisation par substitut capable de capturer la réponse couplée de la température de surface aux variations de la conductivité radiale et de la résistance d'interface pour les cellules 4680 à refroidissement latéral.

Articles similaires