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

現代社会を動かす電気自動車の内部では、数千個の円筒形セルで構成されたバッテリーパックがその心臓部を担っています。これらの中でも、「4680」として知られる特定の大型フォーマットは、高パフォーマンス車両の標準となっており、旧来のデザインよりも単一ユニットあたりのエネルギー容量を増大させています。しかし、このサイズには隠れた課題、すなわち「熱」をもたらします。電気の流れに伴ってバッテリーは熱を発生させますが、もしその熱が均一に逃げることができなければ、セルはより早く劣化したり、最悪の場合は安全性が損なわれたりする可能性があります。問題は、バッテリーの最も熱い部分がしばしば金属製の筐体の奥深く、隠れた場所に位置している一方で、センサーは外表面の温度しか測定できないという点です。バッテリーの内部構造は複雑であり、熱の移動経路も完全には解明されていないため、エンジニアたちは外側の表面を見るだけで、内部のコアがどれほど熱くなっているのかを正確に予測することに苦慮しています。

このパズルを解くために、研究チームはコンピュータ・シミュレーションと人工知能（AI）の組み合わせに目を向けました。彼らは、電気自動車で一般的な設計である、側面冷却される単一の4680セルに焦点を当てました。研究者たちは、バッテリーの冷却性能に不確実性を生じさせる2つの特定の要因があることを認識していました。それは、内部の螺旋状の層が熱を外側へ伝導する能力と、バッテリーの筐体と冷却ハードウェアとの間の接触の質です。これらの値はバッテリーごとに異なる可能性があるため、表面温度の単純な測定だけでは、熱的な全容を把握するには不十分なことがよくあります。そこでチームは、いくつかの表面温度の読み取り値から、テストされた特定の条件下において、バッテリーの外殻の表面温度場を再構成できるデジタルツールを構築することを目指しました。

研究者たちはまず、コンピュータ内にバッテリーセルの極めて詳細な3次元モデルを作成することから始めました。このモデルは、実際のハードウェアでは困難または不可能な実験を行うことができる仮想的な実験室として機能しました。彼らは、内部で一定量のエネルギーが発生し、側面に一定の冷却温度が適用される定常状態における、セル内の熱の流れをシミュレートしました。不確実性に対してシステムがどのように反応するかをテストするため、彼らは75種類の異なるシミュレーションを実行しました。各実行において、バッテリーのコアの内部熱伝導性と、バッテリーとクーラーの間の隙間の厚さをわずかに変化させました。すべてのシミュレーションにおいて、金属筐体の外側の25箇所の特定地点における温度を記録しました。このプロセスにより、特定の内部特性と特定の表面温度を紐付ける、約2,000個の異なる温度スナップショットを含む膨大なデータライブラリが生成されました。

このライブラリを手にしたチームは、高速でインテリジェントな翻訳機として機能するように、3種類の異なる機械学習アルゴリズムを訓練しました。これらのアルゴリズムには、入力変数（バッテリー上の位置、内部熱伝導率、および接触ギャップ）と、結果としての表面温度との関係を学習するという任務が課せられました。目標は、重くて時間のかかるコンピュータ・シミュレーションを毎回実行することなく、温度場をほぼ瞬時に予測できる軽量なソフトウェアツールである「サロゲート（代理）」モデルを作成することでした。研究者たちは、データの一部を隠した状態で、アルゴラズムが未知の地点の温度を正しく推測できるかどうかを確認することで、これらのツールをテストしました。

結果として、2つの機械学習アプローチが驚異的な精度を示しました。一つは、パターン認識用に設計されたニューラルネットワークとシーケンスを記憶するシステムを組み合わせた手法であり、もう一つは、データの最適な数学的適合を見つけることに基づく手法であり、どちらも0.98に近い決定係数（R²）を達成しました。彼らの予測誤差は、平均して摂氏0.25度未満でした。このレベルの精度は、ツールがテストされた条件の範囲内において、バッテリー表面の温度マップを信頼性高く再現できることを意味します。対照的に、より標準的なタイプのニューラルネットワークは、微妙な詳細を捉えるのに苦労し、より大きく一貫性のない誤差を生じさせました。

また、本研究により、温度予測においてどの要因が最も重要であるかも明らかになりました。最も強力な予測因子は、単純にバッテリー上の垂直方向の位置でした。冷却接触の配置方法により、温度は上部から下部にかけて大きく変化します。水平方向の位置は、2番目に重要な要因でした。驚くべきことに、チームがテストした特定の条件範囲内では、内部熱伝導率や接触ギャップの正確な値は、センサーの物理的な位置よりも表面温度への影響がはるかに小さいことが分かりました。これは、この特定の冷却セットアップにおいては、内部材料のわずかな変化よりも、バッテリー上のどこに位置しているかを知ることの方が、温度を知る上でより多くの情報を与えてくれることを示唆しています。

最も優れた性能を示したモデルを用いて、研究者たちは、個別のデータポイントとしてシミュレートはされていないものの、テスト範囲内に存在する特定の条件における温度場を可視化できることを実証しました。新しい内部特性の組み合わせを入力することで、モデルはバッテリー表面の温度分布の滑らかで連続的なマップを生成し、どこに熱が集中し、どこで熱が拡散するかを正確に示しました。この可視化は、モデルが学習した特定のデータポイントの間を補完（インターポレーション）し、特定のパラメータの組み合わせに対する熱挙動の整合性のある全体像を作り出すことができることを裏付けました。

この研究は、これらの大型バッテリーの熱状態を理解するための、実用的かつ計算コストの低い方法を提供しています。検証済みの物理モデルと機械学習を組み合わせることで、研究者たちは、内部特性が完全に未知であっても（調査された定常状態の範囲内であれば）、表面温度分布を迅速に推定できるシステムを作り上げました。現在のツールは定常状態に限定されており、急激な電力変化や経年劣化までは考慮していませんが、将来の熱管理システムのための強固な基礎となります。適切なデータと適切なアルゴリズムがあれば、表面を見るだけでバッテリー内部の目に見えない熱パターンを把握することが可能であることを、この研究は証明しており、その能力は電気自動車の安全性と効率性を維持するために不可欠なのです。