شبيه‌سازي و ارزيابي عملكرد يك سيستم مديريت حرارتي باتري‌هاي ليتيومي به كمك الگوريتم يادگيري ماشين

كارشناسي ارشد

باتري‌هاي ليتيوم-يون در حين كار مداوم با شارژ و تخليه شارژ سريع، مقدار زيادي گرما توليد مي‌كنند كه مي‌تواند منجر به افزايش قابل‌توجه دما، تأثير بر عملكرد باتري، كاهش سيكل عمر و به طور بالقوه ايجاد يك مشكل ايمني شود. به همين منظور، يك سيستم مديريت حرارتي باتري متشكل از ماده تغييرفازدهنده و ميني كانال براي كنترل دماي باتري و بهبود عملكرد آن در اين پژوهش طراحي و شبيه‌سازي شده است. شبيه‌سازي‌هاي حرارتي سه‌بعدي باتري ليتيوم-يون 18650 و بسته باتري ليتيوم-يون 75 ولتي متشكل از 21 پيل باتري 18650 بر اساس رويكرد مدل‌سازي باتري چند دامنه‌اي چند مقياسي انجام مي‌شود. اثر روش‌هاي خنك‌كاري مختلف بر عملكرد باتري و مديريت حرارتي بسته باتري تحت شرايط تخليه شارژ سريع بررسي و مقايسه شده است. نتايج نشان مي‌دهد كه با روش‌ همرفت طبيعي، باتري به همراه ماده تغييرفازدهنده و باتري به همراه ماده تغييرفازدهنده و فين، دماي باتري به‌راحتي از 40 درجه سانتي‌گراد در شرايط نرخ تخليه شارژ C3 فراتر مي‌رود. در شرايط اتصال كوتاه خارجي، دماي پيل به‌شدت افزايش مي‌يابد و در مدت‌زمان كوتاهي به 80 درجه سانتي‌گراد مي‌رسد كه مي‌تواند باعث فرار حرارتي شود و حتي ممكن است منجر به آتش‌سوزي فاجعه‌بار باتري شود. از سوي ديگر، باتري به همراه سيستم مديريت حرارتي كوپل شده دماي باتري را به طور مؤثري به يك سطح قابل‌تحمل تحت شرايط تخليه شارژ با نرخ بالا محدود مي‌كند و در حالت اتصال كوتاه مدت‌زمان رسيدن به دماي 80 درجه سانتي‌گراد را افزايش مي‌دهد. علاوه بر اين، طبق شبيه‌سازي بسته باتري 75 ولت، سيستم مديريت حرارتي در پژوهش حاضر منجر به يكنواختي دماي بهتر مي‌شود. همچنين اثر عوامل مختلف در ميني كانال به‌ويژه اثر هندسه‌هاي مختلف ميني كانال، نوع و سرعت سيال خنك‌كننده، و دماي سيال خنك‌كننده بر دماي باتري نيز بررسي شد. علاوه بر اين، در اين پژوهش يك مدل شبكه عصبي مصنوعي نيز براي پيش‌بيني دماي باتري ليتيوم-يون مجهز به سيستم مديريت حرارتي توسعه داده شد. ورودي‌هاي مدل عبارت‌اند از نرخ تخليه شارژ (C1، C2، C3 و C4)، دماي ورودي سيال خنك‌كننده ميني كانال (°C15 و °C20)، سرعت ورودي سيال خنك‌كننده ميني كانال (m/s 0.1، m/s 0.5 و m/s 1)، دماي محيط (°C25 و °C40) و زمان. خروجي مدل دماي باتري است. در مجموع 79909 نقطه داده براي آموزش، اعتبارسنجي و آزمون مدل استفاده شد. نتايج اين مطالعه توانايي شبكه عصبي مصنوعي را براي پيش‌بيني دماي باتري در شرايط مختلف عملكرد سيستم مديريت حرارتي باتري نشان داد. ميانگين مربع خطا و ميانگين انحراف مطلق مدل به ترتيب 0.12 و 0.09 بود. نتايج اين مطالعه مناسب‌بودن شبكه عصبي مصنوعي را براي پيش‌بيني عملكرد سيستم مديريت حرارتي باتري كوپل شده را تأييد كرده است.

231303

دانشگاه اصفهان

حميدرضا مراتب

مهندسي مكانيك - تبديل انرژي

احسان بني اسدي