Experimentally Validated Comparison of Two CFD Simulation Workflows for Oil Jet Cooling and LPTN Improvement

Moderne elektrische voertuigen vertrouwen op krachtige motoren die ongelooflijk compact en efficiënt moeten zijn om de wielen aan te drijven. Echter, naarmate deze machines meer vermogen in kleinere ruimtes verpakken, genereren ze intense hitte. Als deze hitte niet snel genoeg wordt afgevoerd, kan de motor falen of prestaties verliezen. Voor de eerste generaties elektrische auto's gebruikten ingenieurs watermantels die de buitenkant van de motor koelden, maar deze methode is als het proberen te koelen van een hete kop koffie door over de rand te blazen; de hitte uit het midden doet er te lang over om te ontsnappen. Om dit op te lossen, beweegt de industrie zich naar directe koeling, waarbij olie direct op de interne componenten wordt gespoten, specifgens op de koperdraden aan de uiteinden van de motor. Deze olie fungeert als een niet-geleidende vloeistof die warmte snel afvoert, waardoor de motor heter en sneller kan draaien zonder kapot te gaan. De uitdaging voor ingenieurs is om precies te voorspellen hoe goed deze olie de complexe, verstrengelde vormen van de draden zal koelen, een taak die geavanceerde computersimulaties vereist om te voorkomen dat er dure prototypes worden gebouwd die niet werken.

Een team onderzoekers van de Universiteit van Navarra en Dauch Corporation zette zich scharpe om twee verschillende manieren te testen om dit oliekoelingsproces te simuleren. Ze wilden weten welke computermethode de temperatuur van de motor het meest nauwkeurig kon voorspellen terwijl deze de minste rekenkracht gebruikte. Om het antwoord te vinden, bouwden ze eerst een fysiek testmodel. Ze namen een echte motorstator, wat het stationaire deel van de motor is dat de koperwikkelingen bevat, en plaatsten deze in een transparante plastic container. Deze container stelde hen in staat om de olie te zien stromen terwijl deze binnen de container bleef. Ze lieten elektriciteit door de draden lopen om hitte te generen, net zoals een echte motor dat zou doen, en gebruikten precieze sensoren om de temperatuur op verschillende punten te meten. Ze testten het systeem met olie die stroomde op twee verschillende snelheden en bij twee verschillende begintemperaturen, waardoor ze een betrouwbare set real-world data creëerden om te vergelijken met hun computermodellen.

De onderzoekers voerden vervolgens twee verschillende soorten computersimulaties uit om te zien hoe goed deze overeenkwamen met het fysieke experiment. De eerste methode, bekend als de Finite Volume Method, verdeelt de ruimte rond de motor in miljoenen kleine, vaste boxen. Het volgt hoe de olie en lucht door deze boxen bewegen, en berekent hoe de vloeistof druppelt en zich verspreidt over de draden. Deze benadering is zeer gedetailleerd en veelzijdig, in staat om precies te laten zien hoe de olie interageert met het vaste metaal, maar het is extreem traag. De tweede methode, de Moving Particle Simulation, gebruikt geen vaste boxen. In plaats daarvan behandelt het de olie als een verzameling individuele deeltjes die door de ruimte bewegen. Deze benadering is veel sneller omdat het niet op dezelfde manier de lege lucht rond de motor hoeft te berekenen, maar het vereist een aparte stap om te bepalen hoe de hitte zich binnen de vaste metalen draden verplaatst.

Toen het team de resultaten van beide simulaties vergeleek met hun fysieke metingen, ontdekten ze dat beide methoden opmerkelijk nauwkeurig waren in het voorspellen van de gemiddelde temperatuur van de oliegekoelde draden. De gedetailleerde, op boxen gebaseerde methode kwam bijna perfect overeen met de real-world temperaturen, terwijl de op deeltjes gebaseerde methode ook erg dichtbij kwam, hoewel deze soms moeite had met het voorspellen van de allerheetste plekken wanneer de oliestroom langzamer was. De deeltjesmethode bleek aanzienlijk sneller; deze had slechts enkele uren nodig om te draaien op een krachtige videokaart, terwijl de boxgebaseerde methode dagen nodig had om te draaien op een grote server. Dit snelheidsverschil is cruciaal voor ingenieurs die veel verschillende ontwerpen snel moeten kunnen testen. De onderzoekers ontdekten ook dat de deeltjesmethode eigenlijk beter was in het voorspellen van de temperatuur aan de zijde van de motor die niet werd besproeid met olie, waarschijnlijk omdat de andere methode de metaalstructuur te veel vereenvoudigde om volledig nauwkeurig te zijn.

De meest significante bevinding van het onderzoek was wat er gebeurde toen de onderzoekers de gedetailleerde hittedata van deze simulaties namen en deze invoerden in een eenvoudiger, sneller model dat wordt gebruikt voor alledaags ontwerpwerk. Dit eenvoudigere model, een thermisch netwerk genoemd, vertrouwt gewoonlijk op ruwe gokken over hoe goed olie de motor koelt. Wanneer het team die gokken verving door de precieze data van hun geavanceerde simulaties, werd het eenvoudige model ongelooflijk nauwkeurig. Het transformeerde van een hulpmiddel dat tientallen graden af kon wijken naar een betrouwbare voorspeller die overeenkwam met de real-world tests. Dit betekent dat ingenieurs nu snelle, eenvoudige modellen kunnen gebruiken om koelsystemen te ontwerpen met het vertrouwen van een complexe, trage simulatie, mits ze deze eerst kalibreren met hoogwaardige data. De studie concludeert dat hoewel de tragere, gedetailleerde methode een grote flexibiliteit biedt, de snellere deeltjesmethode een uitstekende keuze is voor het simuleren van oliejetkoeling, wat een krachtige nieuwe manier biedt om de volgende generatie elektrische motoren te ontwerpen.