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

Os veículos elétricos modernos dependem de motores potentes que devem ser incrivelmente compactos e eficientes para mover as rodas. No entanto, à medida que essas máquinas concentram mais potência em espaços menores, elas geram um calor intenso. Se esse calor não for removido rapidamente, o motor pode faler ou perder desempenho. Para as primeiras gerações de carros elétricos, os engenheiros usavam camisas de água que resfriavam o exterior do motor, mas esse método é como tentar resfriar uma xícara de café quente soprando na borda; o calor do centro demora muito para escapar. Para resolver isso, a indústria está migrando para o resfriamento direto, onde o óleo é borrifado diretamente nos componentes internos, especificamente nos fios de cobre nas extremidades do motor. Este óleo atua como um fluido não condutor que transporta o calor rapidamente, permitindo que o motor funcione de forma mais quente e rápida sem quebrar. O desafio para os engenheiros é prever exatamente quão bem esse óleo resfriará as formas complexas e emaranhadas dos fios, uma tarefa que exige simulações computacionais sofisticadas para evitar a construção de protótipos caros que não funcionem.

Uma equipe de pesquisadores da Universidade de Navarra e da Dauch Corporation partiu para testar duas maneiras diferentes de simular este processo de resfriamento por óleo. Eles queriam saber qual método computacional poderia prever a temperatura do motor com maior precisidade enquanto utilizava a menor quantidade de poder computacional. Para encontrar a resposta, eles primeiro construíram um modelo de teste físico. Eles pegaram um estator de motor real, que é a parte estacionária do motor contendo os enrolamentos de cobre, e o colocaram dentro de um recipiente de plástico transparente. Este recipiente permitiu que eles observassem o fluxo do óleo enquanto o mantinham contido. Eles passaram eletricidade pelos fios para gerar calor, exatamente como um motor real faria, e usaram sensores precisos para medir a temperatura em vários pontos. Eles testaram o sistema com óleo fluindo em duas velocidades diferentes e em duas temperaturas iniciais diferentes, criando um conjunto confiável de dados do mundo real para comparar com seus modelos computacionais.

Os pesquisadores então executaram dois tipos distintos de simulações computacionais para ver o quão bem eles correspondiam ao experimento físico. O primeiro método, conhecido como Método de Volumes Finitos, divide o espaço ao redor do motor em milhões de pequenas caixas fixas. Ele rastreia como o óleo e o ar se movem através dessas caixas, calculando como o líquido goteja e se espalha sobre os fios. Esta abordagem é muito detalhada e versátil, capaz de mostrar exatamente como o óleo interage com o metal sólido, mas é extremamente lenta. O segundo método, chamado de Simulação de Partículas Móveis, não utiliza caixas fixas. Em vez disso, trata o óleo como uma coleção de partículas individuais movendo-se pelo espaço. Esta abordagem é muito mais rápida porque não precisa calcular o ar vazio ao redor do motor da mesma forma, mas requer uma etapa separada para entender como o calor se move dentro dos fios metálicos sólidos.

Quando a equipe comparou os resultados de ambas as simulações com suas medições físicas, descobriu que ambos os métodos foram notavelmente precisos ao prever a temperatura média dos fios resfriados a óleo. O método detalhado, baseado em caixas, coincidiu quase perfeitamente com as temperaturas do mundo real, enquanto o método baseado em partículas também foi muito próximo, embora ocasionalmente tenha tido dificuldade em prever os pontos mais quentes quando o fluxo de óleo era mais lento. O método de partículas provou ser significativamente mais rápido, levando apenas algumas horas para rodar em uma placa gráfica potente, enquanto o método baseado em caixas levou dias para rodar em um servidor grande. Essa diferença de velocidade é crucial para engenheiros que precisam testar muitos designs diferentes rapidamente. Os pesquisadores também descobriram que o método de partículas era, na verdade, melhor em prever a temperatura no lado do motor que não estava sendo borrifado com óleo, provavelmente porque o outro método simplificou demais a estrutura metálica para ser totalmente preciso.

A descoberta mais significativa do estudo foi o que aconteceu quando os pesquisadores pegaram os dados detalhados de calor dessas simulações e os alimentaram em um modelo mais simples e rápido usado para o trabalho de design cotidiano. Este modelo mais simples, conhecido como rede térmica, geralmente depende de suposições vagas sobre quão bem o óleo resfria o motor. Quando a equipe substituiu essas suposições pelos dados precisos de suas simulações avançadas, o modelo simples tornou-se incrivelmente preciso. Ele se transformou de uma ferramenta que poderia estar errada por dezenas de graus em um preditor confiável que correspondia aos testes do mundo real. Isso significa que os engenheiros agora podem usar modelos rápidos e simples para projetar sistemas de resfriamento com a confiança de uma simulação complexa e lenta, desde que os calibrem primeiro com dados de alta qualidade. O estudo conclui que, embora o método detalhado e mais lento ofereça grande flexibilidade, o método de partículas mais rápido é uma excelente escolha para simular o resfriamento por jato de óleo, oferecendo uma nova e poderosa maneira de projetar a próxima geração de motores elétricos.