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

All'interno dei veicoli elettrici che alimentano il nostro mondo moderno, il cuore della macchina è un pacco batterie composto da migliaia di celle cilindriche. Tra queste, un formato specifico di grandi dimensioni noto come 4680 è diventato uno standard per i veicoli ad alte prestazioni, offrendo più energia in un'unica unità rispetto ai design precedenti. Tuttavia, questa dimensione porta con sé una sfida nascosta: il calore. Mentre l'elettricità scorre attraverso la batteria, genera calore, e se quel calore non riesce a sfuggire uniformemente, la cella può degradarsi più velocemente o addirittura diventare insicura. Il problema è che la parte più calda della batteria si trova spesso nel profondo, nascosta sotto l'involucro metallico, mentre i sensori possono misurare solo la temperatura sulla superficie esterna. Poiché la struttura interna della batteria è complessa e il modo in cui il calore si muove attraverso di essa non è perfettamente noto, gli ingegneri faticano a prevedere esattamente quanto diventi calda la parte centrale osservando solo la pelle.

Per risolvere questo enigma, un team di ricercatori si è rivolto a una combinazione di simulazione al computer e intelligenza artificiale. Si sono concentrati su una singola cella 4680 raffreddata lungo il lato, un design comune nei veicoli elettrici. I ricercatori sapevano che due fattori specifici creano incertezza su quanto bene la batteria si raffreddi: la capacità degli strati a spirale interni di condurre il calore verso l'esterno e la qualità del contatto tra l'involucro della batteria e l'hardware di raffreddamento. Poiché questi valori possono variare da una batteria all'altra, una semplice misurazione della temperatura superficiale spesso non è sufficiente per conoscere l'intera storia termica. Il team si è posto l'obiettivo di costruire uno strumento digitale che potesse prendere alcune letture della temperatura superficiale e, tenendo conto di queste incognite, ricostruire il campo di temperatura del guscio esterno della batteria entro l'intervallo specifico delle condizioni testate.

I ricercatori hanno iniziato creando un modello tridimensionale altamente dettagliato della cella della batteria all'interno di un computer. Questo modello fungeva da laboratorio virtuale dove potevano eseguire esperimenti difficili o impossibili da realizzare su hardware reale. Hanno simulato il flusso di calore attraverso la cella in condizioni stazionarie, con una quantità fissa di energia generata all'interno e una temperatura di raffreddamento costante applicata lateralmente. Per testare come il sistema reagisce all'incertezza, hanno eseguito settantacinque diverse simulazioni. In ogni sessione, hanno leggermente modificato la capacità di conduzione del calore interno della batteria e lo spessore del gap tra la batteria e il raffreddatore. Per ogni singola simulazione, hanno registrato la temperatura in venticinque punti specifici sull'esterno dell'involucro metallico. Questo processo ha generato una massiccia libreria di dati, contenente quasi duemila distinti istantanee di temperatura che collegavano specifiche proprietà interne a specifiche letture superficiali.

Con questa libreria in mano, il team ha addestrato tre diversi tipi di algoritmi di apprendimento automatico per agire come un traduttore veloce e intelligente. Questi algoritmi avevano il compito di apprendere la relazione tra le variabili di input — la posizione sulla batteria, la conducibilità termica interna e il gap di contatto — e la temperatura superficiale risultante. L'obiettivo era creare un modello "surrogato", uno strumento software leggero, capace di prevedere il campo di temperatura quasi istantaneamente, senza dover eseguire ogni volta la pesante e lunga simulazione al computer. I ricercatori hanno testato questi strumenti nascondendo una parte dei loro dati e osservando se gli algoritmi riuscivano a indovinare correttamente le temperature per i punti che non avevano ancora visto.

I risultati hanno mostrato che due degli approcci di apprendimento automatico si sono comportati con una precisione straordinaria. Un metodo, che combinava una rete neurale progettata per riconoscere i pattern con un sistema che ricorda le sequenze, e un altro metodo basato sulla ricerca del miglior adattamento matematico dei dati, hanno entrambi raggiunto un coefficiente di determinazione (R²) vicino a 0,98. Le loro previsioni erano errate di meno di un quarto di grado Celsius in media. Questo livello di accuratezza significa che lo strumento può ricostruire in modo affidabile la mappa della temperatura della superficie della batteria nell'intervallo di condizioni testate. Al contrario, un terzo tipo di rete neurale, più standard, ha faticato a catturare i dettagli sottili, producendo errori significativamente più grandi e meno coerenti.

Lo studio ha anche rivelato quali fattori contavano di più nella previsione della temperatura. Il predittore più potente era semplicemente la posizione verticale sulla batteria; la temperatura cambia significativamente dall'alto verso il basso a causa del modo in cui è disposto il contatto di raffreddamento. La posizione orizzontale attorno al cilindro era il secondo fattore più importante. Sorprendentemente, nell'intervallo specifico di condizioni testate dal team, il valore esatto della conducibilità termica interna e del gap di contatto aveva un'influenza molto minore sulla temperatura superficiale rispetto alla posizione fisica del sensore. Ciò suggerisce che, per questo specifico setup di raffreddamento, sapere dove ci si trova sulla batteria dice più sulla temperatura rispetto alle lievi variazioni nei materiali interni.

Utilizzando il loro modello con le migliori prestazioni, i ricercatori hanno dimostrato come lo strumento potesse visualizzare il campo di temperatura per un set specifico di condizioni che rientravano nel loro intervallo di test ma che non erano state simulate come un punto di dati discreto. Alimentando il modello con una nuova combinazione di proprietà interne, hanno generato una mappa fluida e continua della temperatura superficiale della batteria, mostrando esattamente dove il calore si concentrerebbe e dove si dissiperebbe. Questa visualizzazione ha confermato che il modello poteva interpolare, ovvero colmare le lacune, tra i punti dati specifici che aveva appreso, creando un quadro coerente del comportamento termico per quella specifica combinazione di parametri.

Il lavoro fornisce un modo pratico e computazionalmente economico per comprendere lo stato termico di queste grandi batterie. Combinando un modello fisico validato con l'apprendimento automatico, i ricercatori hanno creato un sistema in grado di stimare rapidamente la distribuzione della temperatura superficiale anche quando le proprietà interne non sono perfettamente note, ma solo all'interno del dominio stazionario investigato. Sebbene l'attuale strumento sia limitato alle condizioni stazionarie e non tenga ancora conto dei rapidi cambiamenti di potenza o dell'invecchiamento, esso offre una solida base per futuri sistemi di gestione termica. Dimostra che, con i dati giusti e gli algoriti giusti, è possibile vedere i modelli di calore invisibili all'interno di una batteria guardando semplicemente la sua superficie, una capacità essenziale per mantenere i veicoli elettrici sicuri ed efficienti.