⚡ 电气工程

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

本研究开发了一种计算高效的机器学习代理模型，该模型基于 75 组在热不确定性条件下侧冷却 4680 锂离子电池的 CFD 模拟进行训练，旨在通过有限的传感器数据准确重建其全表面温度场，并证明了 CNN-LSTM 和 SVM 模型实现了极高的预测精度（R² ≈ 0.98），其中轴向位置被确定为主要的温度预测因子。

原作者： Aydin Ulus, Ihsan Uluocak, Wajih Nazim Kamal, Kyosung Choo, Young Jik Youn

发布于 2026-11-04

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Aydin Ulus, Ihsan Uluocak, Wajih Nazim Kamal, Kyosung Choo, Young Jik Youn

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在驱动现代世界的电动汽车内部，机器的心脏是由数千个圆柱形电芯组成的电池包。在这些电芯中，一种被称为 4680 的特定大尺寸规格已成为高性能车辆的标准，它比旧设计在单个单元中提供更多的能量。然而，这种尺寸带来了一个隐藏的挑战：热量。随着电流流经电池，会产生热量，如果这些热量无法均匀散发，电芯的退化速度会加快，甚至可能变得不安全。问题在于，电池最热的部分通常位于深处，隐藏在金属外壳之下，而传感器只能测量外表面的温度。由于电池的内部结构复杂，且热量在其中的移动方式并非完全已知，工程师们很难仅通过观察“皮肤”来预测核心区域究竟有多热。

为了解开这个谜团，一个研究小组转向了计算机模拟与人工智能相结合的方法。他们专注于一个侧面冷却的单个 4 6 8 0 电芯，这是电动汽车中常见的设计。研究人员意识到，有两个特定因素会导致电池冷却效果的不确定性：内部螺旋层向外传导热量的能力，以及电池外壳与冷却硬件之间的接触质量。由于这些数值在不同电池之间可能存在差异，仅凭表面温度的简单测量往往不足以了解完整的热状态。该团队致力于构建一个数字工具，该工具可以利用少量的表面温度读数，并在他们测试的具体条件下，重建电池外壳的表面温度场。

研究人员首先在计算机内部创建了一个高度详细的电池电芯三维模型。这个模型充当了一个虚拟实验室，使他们能够进行在真实硬件上难以或无法进行的实验。他们模拟了在稳态条件下电芯内的热流，其中内部产生固定量的能量，并在侧面施加恒定的冷却温度。为了测试系统对不确定性的反应，他们运行了 7 5 次不同的模拟。在每次运行中，他们略微改变了电池核心的内部导热能力以及电池与冷却器之间的间隙厚度。对于每一次模拟，他们都记录了金属外壳外部 2 5 个特定点的温度。这一过程生成了一个庞大的数据库，包含近 2 0 0 组截然不同的温度快照，将特定的内部属性与特定的表面读数联系起来。

手握这份数据库，该团队训练了三种不同类型的机器学习算法，使其充当快速、智能的“翻译官”。这些算法的任务是学习输入变量（电池位置、内部导热率和接触间隙）与产生的表面温度之间的关系。目标是创建一个“代理”模型——一种轻量级的软件工具，它可以几乎瞬时地预测温度场，而无需每次都运行耗时的重型计算机模拟。研究人员通过隐藏一部分数据并观察算法是否能正确预测它们未曾见过的点，来测试这些工具。

结果显示，两种机器学习方法表现出了卓越的精确度。一种方法结合了旨在识别模式的神经网络与一个能够记忆序列的系统，另一种基于寻找数据最佳数学拟合的方法，两者都实现了接近 0.98 的决定系数（R²）。它们的预测误差平均不到 0.25 摄氏度。这种水平的准确性意味着该工具可以可靠地重建电池表面在所测试条件范围内的温度图。相比之下，第三种更标准的神经网络类型则难以捕捉细微细节，产生的误差明显更大且不够稳定。

研究还揭示了哪些因素在预测温度时最为关键。最强大的预测因子仅仅是电池上的垂直位置；由于冷却接触的排列方式，温度从顶部到底部会发生显著变化。电池周围的水平位置是第二重要的因素。令人惊讶的是，在团队测试的具体条件下，内部导热率和接触间隙的精确值对表面温度的影响远小于传感器物理位置的影响。这表明，对于这种特定的冷却设置，了解你在电池上的位置比了解内部材料的微小变化更能说明温度情况。

利用表现最好的模型，研究人员展示了该工具如何可视化特定条件下的温度场，这些条件处于其测试范围内，但并未作为离散数据点进行过模拟。通过向模型输入一组新的内部属性，它生成了一张平滑、连续的电池表面温度图，清晰地展示了热量会在哪里聚集以及会在哪里消散。这种可视化证实了该模型能够进行插值（即填补数据间的空白），在它所学习到的特定数据点之间创造出连贯的图像，呈现出针对该特定参数组合的热行为图景。

这项工作为理解这些大型电池的热状态提供了一种实用且计算成本低廉的方法。通过将经过验证的物理模型与机器学习相结合，研究人员创建了一个系统，即使在内部属性并非完全已知的情况下，也能快速估算表面温度分布，但仅限于他们研究的稳态领域内。虽然目前的工具局限于稳态条件，尚未考虑功率或老化带来的快速变化，但它为未来的热管理系统奠定了坚实的基础。它证明了，只要拥有正确的数据和算法，仅通过观察表面就能看到电池内部不可见的散热模式，而这种能力对于保持电动汽车的安全与高效至关重要。

技术摘要：基于 CFD 驱动机器学习的侧冷式 4680 锂离子电池表面温度映射研究

问题陈述
大尺寸 4680 锂离子电池在热监测方面面临显著挑战。由于热量从卷芯（jelly roll）传递到罐体表面的径向距离较大，仅靠表面温度测量无法完全表征其内部热状态。此外，关键的热传递特性（如径向卷芯导热率和电池与冷却器之间的界面热阻）仍具有不确定性和变异性。尽管现有文献已经确立了电池架构和冷却拓扑结构的重要性，但大多数分析都依赖于固定的或经过校准的热特性。相反，数据驱动的方法在进行内部温度估计时，往往侧重于特定的参数化方案或运行工况，而未能充分解决热特性同时变化的复杂情况。本研究旨在解决当径向卷芯导热率和界面热阻同时变化时，如何重建侧冷式 4680 电池外部罐体表面温度场的问题。

研究方法
本研究采用了一种结合了经过验证的三维稳态计算流体力学（CFD）模型与机器学习（ML）代理模型的混合框架。

CFD 建模： 在 ANSYS Fluent 中开发了一个侧冷式特斯拉 4680 Gen2 电池的三维稳态热模型。该几何结构遵循经过实验验证的配置，其中铝制侧冷却器覆盖了 70 mm 轴向高度内 60° 的周向扇区。卷芯被建模为各向异性固体，具有固定的轴向/周向导热率（ $k_{\theta} = k_z = 23.1$ W m⁻¹ K⁻¹）和可变的径向导热率（ $k_r$ ）。电池罐与冷却器之间的界面由等效薄壁热阻表示。
实验设计： 通过改变两个参数生成了一个结构化数据集：径向卷芯导热率（ $k_r$ ，涵盖 15 个等级，范围 0.90–2.00 W m⁻¹ K⁻¹）和等效界面厚度（ $t_{int}$ ，涵盖 5 个等级，范围 0.40–0.60 mm）。所有其他条件（包括固定的 6.0 W 发热量和 25°C 冷却器边界条件）均保持不变。这最终产生了 75 个独立的稳态 CFD 案例。
数据生成： 从每个 CFD 案例中，在 25 个固定的位置（轴向和周向位置的 5×5 网格）提取温度，总计获得 1,875 个空间样本。
机器学习框架： 使用点对点数据划分（五折交叉验证）和 z-score 标准化训练了三种回归模型：
1. CNN-LSTM： 一种将 25 个表面位置视为序列处理的混合模型。
2. 支持向量回归 (SVM)： 一种基于核函数的非神经网络对比模型。
3. 多层感知器 (MLP)： 全连接神经网络基准模型。
  超参数通过贝叶斯优化进行调优。

主要结果

CFD 验证： 基准 CFD 模型重现了三个已发表的验证温度，最大绝对误差为 0.196°C。网格收敛性分析确认，两个最细网格之间的差异小于 0.01%。
模型性能： 在留出的测试子集上，CNN-LSTM 和 SVM 模型表现出近乎一致的高精度：
- CNN-LSTM： $R^2 = 0.981$ ，RMSE = 0.238°C。
- SVM： $R^2 = 0.980$ ，RMSE = 0.245°C。
- MLP： 表现明显较差，其 $R^2 = 0.817$ ，RMSE = 0.685°C，呈现出更宽的误差分布和更大的离群值。
特征重要性： 扰动分析表明，轴向位置（ $z$ ）是表面温度的主导预测因子（扰动后 RMSE 增加约 1.8°C），其次是周向位置（ $x$ ）和径向导热率（ $k_r$ ）。界面热阻（ $t_{int}$ ）的影响在测试范围内相对较小。
代理重建： 训练好的代理模型成功重建了插值参数组合（ $k_r = 1.35$ W m⁻¹ K⁻¹, $t_{int} = 0.52$ mm）下的罐体表面温度场，并可视化了符合侧冷物理约束的平滑轴向和周向梯度。

意义与主张
本文声称，所开发的 CFD 驱动机器学习框架为所研究的稳态参数范围内的热敏感性分析和表面温度重建提供了一个计算成本极低的依据。研究表明，机器学习代理模型可以有效地学习空间坐标与热特性之间的复杂映射，从而预测表面温度场。

然而，作者对这些结果的泛化能力保持了谨慎的态度。他们明确指出，报告的性能指标衡量的是在模拟设计空间内对留出空间样本的插值能力，而非对完全未见的热操作符或动态运行工况的独立泛化。这些模型仅限于稳态行为，具有固定的发热负载和冷却边界；它们不考虑瞬态储热、老化效应或热失控。因此，作者得出结论，在将这些模型扩展到未见的热操作符或不同的运行工况之前，需要进行进一步的逐例验证。其主要贡献在于展示了一种代理建模方法，能够捕捉侧冷式 4680 电池表面温度对径向导热率和界面热阻变化的耦合响应。

类似论文