基于LSTM-PINN的特斯拉阀-蛇形复合流道液冷散热片面向锂电池组的多工况仿真与结构优化
针对新能源汽车锂离子电池组热管理中“高效散热、均匀控温、低能耗”难以兼顾且CFD仿真效率低、难以支撑结构优化的困境,提出特斯拉阀-蛇形复合流道液冷散热片,构建基于LSTM-PINN的跨尺度数字孪生框架。将特斯拉阀局部扰动与蛇形流道长程覆盖相融合,通过参数化建模和多工况CFD仿真(放电倍率1C~5C、入口流速0.1~0.5m/s、环境温度25~45℃、水/丙二醇双介质、正反向流动)生成高保真热-流数据集。首创将LSTM-PINN用于液冷板热-流耦合代理建模:利用LSTM捕捉蛇形流道长程依赖,通过PDE残差强制满足Navier-Stokes与能量方程,实现几何参数到温度/流场的端到端预测。模型预测误差<2.5%,计算效率较CFD提升三个数量级以上。以该代理模型为评估器,采用NSGA-II以最低最高温升、最小温差和最小泵功为目标,完成复合流道几何参数多目标优化。最优复合流道较纯蛇形流道最高温度降低6.1%、最大温差降低22.4%、压降降低21.0%,综合性能PEC提升约14%。本研究为新能源汽车电池液冷系统提供了高精度、高效率的智能设计,也为物理信息神经网络在复杂热流问题中开辟了可行路径。