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

Binnen de elektrische voertuigen die onze moderne wereld aandrijven, is het hart van de machine een batterijpakket dat bestaat uit duizenden cilindrische cellen. Onder deze cellen is een specifieke grote vorm, bekend als de 4680, de standaard geworden voor voertuigen met hoge prestaties, omdat deze meer energie in een enkele eenheid biedt dan oudere ontwerpen. Deze omvang brengt echter een verborgen uitdaging met zich mee: warmte. Terwijl elektriciteit door de batterij stroomt, wordt er warmte gegenereerd, en als die warmte niet gelijkmatig kan ontsnappen, kan de cel sneller degraderen of zelfs onveilig worden. Het probleem is dat het heetste deel van de batterij vaak diep binnenin ligt, verborgen onder de metalen behuizing, terwijl sensoren alleen de temperatuur op de buitenkant kunnen meten. Omdat de interne structuur van de batterij complex is en de manier waarop warmte erdoorheen beweegt niet perfect bekend is, worstelen ingenieurs met de vraag hoe precies de kern opwarmt door enkel naar de buitenkant te kijken.

Om dit puzzelstuk op te lossen, richtte een team van onderzoekers zich op een combinatie van computersimulatie en kunstmatige intelligentie. Ze concentreerden zich op een enkele 4680-cel die langs de zijkant wordt gekoeld, een veelvoorkomend ontwerp in elektrische voertuigen. De onderzoekers wisten dat twee specifieke factoren onzekerheid creëren in de mate waarin de batterij afkoelt: het vermogen van de interne spiraallagen om warmte naar buiten te geleiden, en de kwaliteit van het contact tussen de batterijbehuizing en de koelhardware. Omdat deze waarden van de ene batterij naar de andere kunnen variëren, is een eenvoudige meting van de oppervlaktetemperatuur vaak niet voldoende om het volledige thermische verhaal te kennen. Het team besloot een digitaal hulpmiddel te bouwen dat een paar oppervlaktetemperatuurmetingen kan nemen en, rekening houdend met deze onbekenden, het temperatuurveld van de buitenkant van de batterijschil kan reconstrueren binnen het specifieke bereik van de geteste omstandigheden.

De onderzoekers begonnen met het maken van een zeer gedetailleerd driedimensionaal model van de batterijcel in een computer. Dit model fungeerde als een virtueel laboratorium waarin zij experimenten konden uitvoit die moeilijk of onmogelijk uit te voeren zouden zijn op echte hardware. Ze simuleerden de warmtestroom door de cel onder stationaire omstandigheden, met een vaste hoeveelheid gegenereerde energie binnenin en een constante koeltemperatuur die aan de zijkant werd toegepast. Om te testen hoe het systeem reageert op onzekerheid, voerden ze vijfenzeventig verschillende simulaties uit. In elke run veranderden ze lichtjes de interne warmtegeleidingscapaciteit van de kern van de batterij en de dikte van de opening tussen de batterij en de koeler. Voor elke simulatie legden ze de temperatuur vast op vijfentwintig specifieke punten aan de buitenkant van de metalen behuizing. Dit proces genereerde een enorme bibliotheek aan gegevens, met bijna tweeduizend verschillende temperatuurmomentopnames die specifieke interne eigenschappen koppelden aan specifieke oppervlaktemetingen.

Met deze bibliotheek in handen trainden de onderzoekers drie verschillende soorten machine learning-algoritmen om te fungeren als een snelle, intelligente vertaler. Deze algoritmen hadden de taak om de relatie te leren tussen de invoervariabelen — de locatie op de batterij, de interne warmtegeleidbaarheid en de contactopening — en de resulterende oppervlaktetemperatuur. Het doel was om een "surrogaatmodel" te creëren, een lichtgewicht softwaretool die de temperatuurvelden bijna onmiddellijk kan voorspellen, zonder dat daarvoor telkens de zware, tijdrovende computersimulatie moet worden gedraaid. De onderzoekers testten deze tools door een deel van hun data te verbergen en te kijken of de algoritmen de temperaturen voor de punten die ze nog niet hadden gezien, correct konden raden.

De resultaten lieten zien dat twee van de machine learning-benaderingen met opmerkelijke precisie presteerden. Eén methode, die een neuraal netwerk combineerde dat patronen herkent met een systeem dat sequenties onthoudt, en een andere methode gebaseerd op het vinden van de beste wiskundige fit voor de data, behaalden beide een determinatiecoëfficiënt (R²) van bijna 0,98. Hun voorspellingen zaten gemiddeld minder dan een kwart graad Celsius naast de werkelijkheid. Dit niveau van nauwkeurigheid betekent dat de tool betrouwbaar het temperatuurveld van het batterijoppervlak kan reconstrueren binnen het bereik van de geteste omstandigheden. In contrast hiermee slaagde een derde, meer standaard type neuraal netwerk er niet in om de subtiele details te vangen, wat resulteerde in fouten die aanzienlijk groter en minder consistent waren.

De studie onthulde ook welke factoren het belangrijkst waren bij het voorspellen van de temperatuur. De krachtigste voorspeller was simpelweg de verticale positie op de batterij; de temperatuur verandert aanzienlijk van boven naar beneden door de manier waarop het koelcontact is gerangschikt. De horizontale positie rond de cilinder was de op één na belangrijkste factor. Verrassend genoeg hadden de exacte waarde van de interne warmtegeleidbaarheid en de contactopening binnen het specifieke bereik van de geteste omstandigheden een veel kleinere invloed op de oppervlaktetemperatuur dan de fysieke locatie van de sensor. Dit suggereert dat voor deze specifieke koeling, weten waar je je op de batterij bevindt, meer zegt over de temperatuur dan de lichte variaties in de interne materialen.

Met behulp van hun best presterende model demonstreerden de onderzoekers hoe de tool het temperatuurveld kon visualiseren voor een specifieke set omstandigheden die binnen hun geteste bereik lag, maar niet als een afzonderlijk datapunt was gesimuleerd. Door het model een nieuwe combinatie van interne eigenschappen te voeren, genereerde het een vloeiende, continue kaart van de temperatuur van het batterijoppervlak, die precies liet zien waar de warmte zich zou concentreren en waar deze zou verdwijnen. Deze visualisatie bevestigde dat het model kon interpoleren, oftewel de gaten kon invullen tussen de specifieke gegevenspunten die het had geleerd, waardoor een samenhangend beeld ontstond van het thermische gedrag voor die specifieke parametercombinatie.

Het werk biedt een praktische, computationeel goedkope manier om de thermische staat van deze grote batterijen te begrijpen. Door een gevalideerd natuurkundig model te combineren met machine learning, hebben de onderzoekers een systeem gecreëerd dat snel de temperatuurverdeling aan het oppervlak kan schatten, zelfs wanneer de interne eigenschappen niet perfect bekend zijn, maar enkel binnen het onderzochte stationaire domein. Hoewel de huidige tool beperkt is tot stationaire omstandigheden en nog geen rekening houdt met snelle veranderingen in vermogen of veroudering, biedt het een solide fundament voor toekomstige thermische beheersystemen. Het bewijst dat het met de juiste data en de juiste algoritmen mogelijk is om de onzichtbare warmtepatronen in een batterij te zien door enkel naar het oppervlak te kijken, een capaciteit die essentieel is om elektrische voertuigen veilig en efficiënt te houden.