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

Dentro dos veículos elétricos que alimentam o nosso mundo moderno, o coração da máquina é um conjunto de baterias composto por milhares de células cilíndricas. Entre estas, um formato específico de grande escala conhecido como 4680 tornou-se um padrão para veículos de alto desempenho, oferecendo mais energia em uma única unidade do que os designs mais antigos. No entanto, este tamanho traz um desafio oculto: o calor. À medida que a eletricidade flui através da bateria, ela gera calor, e se esse calor não puder escapar uniformemente, a célula pode degradar-se mais rapidamente ou até tornar-se insegura. O problema é que a parte mais quente da bateria muitas vezes reside profundamente no interior, escondida sob a carcaça metálica, enquanto os sensores só conseguem medir a temperatura na superfície externa. Como a estrutura interna da bateria é complexa e a forma como o calor se move através dela não é perfeitamente conhecida, os engenheiros lutam para prever exatamente o quão quente o núcleo fica apenas observando a pele.

Para resolver este enigma, uma equipa de investigadores recorreu a uma combinação de simulação computacional e inteligência artificial. Eles focaram-se numa única célula 4680 que é refrigerada pela sua lateral, um design comum em veículos elétricos. Os investigadores sabiam que dois fatores específicos criam incerteza sobre a eficácia com que a bateria arrefece: a capacidade das camadas espirais internas de conduzir o calor para fora, e a qualidade do contacto entre a carcaça da bateria e o equipamento de refrigeração. Como estes valores podem variar de uma bateria para outra, uma simples medição da temperatura de superfície muitas vezes não é suficiente para conhecer toda a história térmica. A equipa propôs-se a construir uma ferramenta digital que pudesse receber algumas leituras de temperatura de superfície e, contabilizando estas incógnitas, reconstruir o campo de temperatura da camada externa da bateria dentro da gama específica de condições testadas.

Os investigadores começaram por criar um modelo tridimensional altamente detalhado da célula da bateria dentro de um computador. Este modelo atuou como um laboratório virtual onde poderiam realizar experiências que seriam difíceis ou impossíveis de realizar em hardware real. Eles simularam o fluxo de calor através da célula sob condições estacionárias, com uma quantidade fixa de energia a ser gerada no interior e uma temperatura de refrigeração constante aplicada à lateral. Para testar como o sistema reage à incerteza, realizaram setenta e cinco simulações diferentes. Em cada execução, alteraram ligeiramente a capacidade de condução de calor interna da bateria e a espessura da lacuna entre a bateria e o refrigerador. Para cada simulação individual, registaram a temperatura em vinte e cinco pontos específicos no exterior da carcaça metálica. Este processo gerou uma biblioteca massiva de dados, contendo quase dois mil instantâneos de temperatura distintos que ligavam propriedades internas específicas a leituras de superfície específicas.

Com esta biblioteca em mãos, a equipa treinou três tipos diferentes de algoritmos de aprendizagem automática para atuarem como um tradutor rápido e inteligente. Estes algoritmos tinham a tarefa de aprender a relação entre as variáveis de entrada — a localização na bateria, a condutividade térmica interna e a lacuna de contacto — e a temperatura de superfície resultante. O objetivo era criar um modelo "substituto" (surrogate), uma ferramenta de software leve que pudesse prever o campo de temperatura quase instantaneamente, sem a necessidade de executar a pesada e demorada simulação computacional a cada vez. Os investigadores testaram estas ferramentas ocultando uma parte dos seus dados e observando se os algoritmos conseguiam adivinhar corretamente as temperaturas para os pontos que não tinham visto antes.

Os resultados mostraram que duas das abordagens de aprendizagem automática desempenharam-se com uma precisão notável. Um método, que combinou uma rede neuronal desenhada para reconhecer padrões com um sistema que memoriza sequências, e outro método baseado na busca pelo melhor ajuste matemático para os dados, alcançaram ambos um coeficiente de determinação (R²) de quase 0,98. As suas previsões variaram menos de um quarto de grau Celsius, em média. Este nível de precisão significa que a ferramenta pode recriar de forma fiável o mapa de temperatura da superfície da bateria em toda a gama de condições testadas. Em contraste, um terceiro tipo de rede neuronal, mais padrão, teve dificuldade em capturar os detalhes subtis, produzindo erros significativamente maiores e menos consistentes.

O estudo também revelou quais os fatores que mais importavam ao prever a temperatura. O preditor mais poderoso foi simplesmente a posição vertical na bateria; a temperatura muda significativamente do topo para a base devido à forma como o contacto de refrigeração está disposto. A posição horizontal ao redor do cilindro foi o segundo fator mais importante. Surpreendentemente, dentro da gama específica de condições que a equipa testou, o valor exato da condutividade térmica interna e da lacuna de contacto teve uma influência muito menor na temperatura de superfície do que a localização física do sensor. Isto sugere que, para este setup de refrigeração específico, saber onde se está na bateria diz mais sobre a temperatura do que as ligeiras variações nos materiais internos.

Utilizando o seu melhor modelo, os investigadores demonstraram como a ferramenta poderia visualizar o campo de temperatura para um conjunto específico de condições que estava dentro da gama testada, mas que não tinha sido simulado como um ponto de dados discreto. Ao alimentar o modelo com uma nova combinação de propriedades internas, geraram um mapa suave e contínuo da temperatura de superfície da bateria, mostrando exatamente onde o calor se concentraria e onde se dissiparia. Esta visualização confirmou que o modelo podia interpolar, ou preencher as lacunas, entre os pontos de dados específicos que tinha aprendido, criando uma imagem coerente do comportamento térmico para aquela combinação de parâmetros específica.

O trabalho fornece uma forma prática e computacionalmente económica de compreender o estado térmico destas baterias de grande escala. Ao combinar um modelo físico validado com aprendizagem automática, os investigadores criaram um sistema que pode estimar rapidamente a distribuição da temperatura de superfície mesmo quando as propriedades internas não são perfeitamente conhecidas, mas apenas dentro do domínio de estado estacionário que investigaram. Embora a ferramenta atual seja limitada a condições de estado estacionário e ainda não considere mudanças rápidas de potência ou envelhecimento, oferece uma base sólida para futuros sistemas de gestão térmica. Prova que, com os dados e os algoritmos certos, é possível ver os padrões de calor invisíveis dentro de uma bateria apenas olhando para a sua superfície, uma capacidade que é essencial para manter os veículos elétricos seguros e eficientes.