Resumo Técnico: Uma Abordagem Escalável para Modelagem Térmica Transiente de Eletrônica de Potência Automotiva

Definição do Problema

A gestão térmica eficiente é crítica para a confiabilidade e o desempenho da eletrônica de potência automotiva, como inversores, retificadores e fontes de alimentação. O calor excessivo pode degradar o desempenho, reduzir a vida útil dos componentes e causar falhas no sistema. Embora a Dinâmica de Fluidos Computacional (CFD) ofereça simulações térmicas precisas, ela é computacionalmente dispendiosa e demorada, particularmente para sistemas complexos e de grande escala que envolvem múltiplas fontes de calor e modos mistos de transferência de calor (condução, convecção natural, convecção forçada).

Os Modelos de Ordem Reduzida (ROM) existentes tentam equilibrar precisão e eficiência, mas enfrentam limitações significativas:

• Métodos de Subespaço de Krylov e Truncamento Balanceado: Eficazes para sistemas Lineares Invariantes no Tempo (LTI), mas têm dificuldade com não linearidades, comportamentos termo-elétricos acoplados e condições de contorno variantes no tempo. Também exigem tentativa e erro para pontos de expansão e tornam-se computacionalmente intensivos à medida que o subespaço cresce.
• Decomposição de Órdenes Próprias (POD): Eficaz para sistemas com modos térmicos dominantes, mas oferece ganhos limitados quando a energia térmica está distribuída em muitas escalas espaciais e temporais, o que é comum em aplicações automotivas.
• Aprendizado de Máquina (Machine Learning): Embora avance na predição em tempo real, essas abordagens baseadas em dados sofrem com a dependência da qualidade dos dados, sobreajuste (overfitting), falta de interpretabilidade e garantias de estabilidade, o que gera preocupações de segurança para sistemas críticos.
• Redes Térmicas Compactas (CTN): Frequentemente dependem de medições extensas para extração de parâmetros e podem omitir o acoplamento térmico entre chips ou assumir propriedades lineares, apesar das conhecidas dependências de temperatura.

Há uma necessidade de uma abordagem de modelagem escalável, interpretável e computacionalmente eficiente, capaz de lidar com transientes rápidos, velocidades de fluxo variáveis e mecanismos de transferência de calor não lineares sem o custo proibitivo das simulações completas de CFD.

Metodologia

O artigo propõe um método de Superposição Linear de Parâmetros Agrupados (LPLSP). Esta abordagem híbrida combina a modelagem de parâmetros agrupados com o princípio da superposição linear para capturar o comportamento térmico transiente de forma eficiente. A metodologia é fundamentada na equação do calor generalizada, mas utiliza uma formulação derivada empiricamente e ajustada a dados de CFD.

Configuração do Estudo de Caso

O método é validado em um módulo inversor composto por seis MOSFETs dispostos em pares de lado alto (high-side) e lado baixo (low-side) para um sistema trifásico, montados em uma montagem de placa de circuito impresso (PCBA) fixada a um dissipador de calor com aletas. As simulações foram realizadas no Ansys® Icepak™ sob três condições:

1. Convecção natural.
2. Convecção forçada com velocidade constante.
3. Convecção forçada com velocidade de fluxo variável.

Formulação do Modelo

O modelo LPLSP é derivado em etapas:

1. Sistema Isolado: Assume difusão de temperatura instantânea, resultando em um aumento de temperatura linear ao longo do tempo ($T(t) = T_0 + (P/C)t$).
2. Condução: Estende-se a múltiplos corpos onde os gradientes espaciais são significativos. A temperatura é modelada como um termo linear mais um termo de desvio ($T_D$) que segue uma resposta transiente do tipo circuito RC ($1 - e^{-\theta t}$). A superposição é aplicada para considerar múltiplas fontes de calor.
3. Convecção: Incorpora os efeitos da velocidade do fluxo. Para velocidades de fluxo variáveis, o modelo utiliza um estudo paramétrico para estabelecer relações entre a resistência térmica ($R_{ij}$), constantes de tempo ($\theta_i$) e a velocidade do fluxo ($U_f$). Esses parâmetros são expressos como funções de lei de potência da velocidade ($R_{ij} = m U_f^\gamma + c$).
4. Generalização: Para sistemas com modos mistos e entradas variáveis, a temperatura de qualquer componente é calculada somando as contribuições de todas as fontes de calor, ponderadas por suas respectivas resistências térmicas e constantes de tempo, que são funções da velocidade de fluxo instantânea.

Estimativa de Parâmetros

As constantes do modelo são determinadas através de um processo de simulação paramétrica de CFD:

• Uma unidade de potência (1W) é aplicada a um MOSFET de cada vez enquanto os outros estão desligados.
• As simulações são executadas por curtas durações (aprox. 10s) para capturar respostas transientes.
• As resistências térmicas e constantes de tempo são otimizadas minimizando a soma dos erros quadráticos entre os dados de CFD e a predição do desvio da curva de temperatura do modelo.
• Para cenários de velocidade variável, simulações paramétricas são executadas em velocidades discretas (ex: 1, 5, 10, 20 m/s), e a interpolação linear é usada para valores intermediários.

Principais Contribuições

• Modelagem Transiente Escalável: O método LPLSP fornece uma estrutura que modela com precisão o comportamento térmico transiente em sistemas com múltiplas fontes de calor e modos mistos de transferência de calor, incluindo velocidades de fluxo variáveis.
• Tratamento de Não Linearidade: Ao contrário dos modelos tradicionais de ordem reduzida LTI, o LPLSP mantém alta precisão em regimes não lineares (ex: convecção natural, onde o fluxo e a temperatura são acoplados) ao caracterizar as respostas em janelas de tempo mais curtas, onde a linearização local é válida.
• Eficiência Computacional: Uma vez realizadas as simulações paramétricas (um custo único), o modelo pode avaliar variações arbitrárias de entrada (dissipação de potência, velocidade de fluxo) em menos de um segundo, ordens de magnitude mais rápido que o CFD completo.
• Interpretabilidade: O modelo oferece uma relação funcional clara entre parâmetros físicos (geometria, propriedades de materiais, fluxo) e a resposta térmica, evitando a natureza de "caixa preta" do aprendizado de máquina.
• Estratégias de Otimização: O artigo identifica que componentes com geometria/propriedades de materiais semelhantes ou proximidade espacial exibem parâmetros de modelo similares. Sugere-se o agrupamento (clustering) de componentes e a negligência de interações com constantes de tempo desprezíveis para reduzir ainda mais o número de simulações paramétricas necessárias.

Resultados

Comparações foram feitas entre o modelo LPLSP, um Modelo de Ordem Reduzida de Tempo Invariante Linear (LTI-ROM) e simulações de CFD completo em três cenários:

1. Convecção Natural:
   • LPLSP: Alcançou um erro percentual médio de 4,74% em relação ao CFD.
   • LTI-ROM: Falhou significativamente com um erro de 25,11% devido à natureza inerentemente não linear e variante no tempo da convecção natural, que viola as suposições LTI.
2. Convecção Forçada (Velocidade Constante):
   • Tanto o LPLSP quanto o LTI-ROM alcançaram erros abaixo de 5% (2,48% e 4,97%, respectivamente), pois o sistema se comporta linearmente sob condições de fluxo constante.
3. Convecção Forçada (Velocidade Variável):
   • LPLSP: Manteve o erro abaixo de 5% (4,22%) usando aproximações lineares por partes para os parâmetros dependentes da velocidade.
   • LTI-ROM: Não foi avaliado, pois as grandes variações de velocidade tornariam as funções de impulso de velocidade fixa imprecisas.

Tempo de Computação:

• Simulações de CFD completo levaram de 730 a 900 segundos por caso.
• O desenvolvimento paramétrico do LPLSP levou de 1440 a 4800 segundos (dependendo do número de etapas de velocidade), mas as avaliações subsequentes no MATLAB levaram < 1 segundo.
• O desenvolvimento do LTI-ROM levou 4140 segundos (exigindo convergência de estado estacionário), com tempos de avaliação de ~6 segundos.

Significância e Alegações

O artigo alega que o método LPLSP oferece um caminho prático para reduzir os ciclos de desenvolvimento no design de eletrônica de potência automotiva. Sua principal significância reside na capacidade de:

• Permitir a avaliação rápida do desempenho térmico para sistemas com transientes rápidos e condições ambientes variáveis.
• Prover alta precisão (erro < 5%) em cenários onde os modelos ROM baseados em LTI convencionais falham (ex: convecção natural, fluxo variável).
• Servir como uma ferramenta robusta para iterações de design em estágio inicial e simulações de perfis de missão de longa duração, onde o CFD completo é proibitivamente lento.

Os autores reconhecem limitações, observando que o modelo assume um layout mecânico fixo e pode ter dificuldades com fluxos multifásicos complexos (ex: heat pipes) ou sistemas que exibem aumentos exponenciais de múltiplos estágios com constantes de tempo muito distintas. Um trabalho futuro é proposto para validar o modelo contra dados experimentais e possivelmente incorporar submodelos híbridos para a dinâmica de mudança de fase. No entanto, dentro do escopo de eletrônicos automotivos de layout fixo, o método é apresentado como uma alternativa escalável, precisa e computacionalmente eficiente às técnicas tradicionais de simulação.