【干货系列2】纯电动汽车拟三维电池包一维分析方法_燃料电池_电路_系统仿真_汽车_UM_材料

【干货系列2】纯电动汽车拟三维电池包一维分析方法

1年前浏览417

GT-SUITE软件，是一款用于车辆系统仿真/分析的CAE（计算机辅助工程）工具，为全世界主要车辆和发动机企业、研究及咨询单位使用，代表了该领域最先进的技术和开发方向。本文向您介绍GT-SUITE软件在电动汽车拟三维电池包一维分析方法，使用一维仿真模型建立拟三维电池包多物理场仿真模型，预测电流、环境温度对电池温度、冷却液温度分布、电池SOC的影响。欢迎交流！

电池包热管理仿真分析

对于电动汽车而言，如何精确控制电池温度是电池热管理系统设计的重要指标。过高或者过低的温度均会对电池产生不良影响：过高的电池温度会缩短电池寿命，过低的电池温度会降低电池活性，电池无法快速充放电。

在进行电池设计时，无法避免的两个课题是：电池温度是否合理，电芯温差是否合理。为了解决这两个问题，首先需要分析电池本身的结构设计是否合理，如水冷板结构、电池模组布置方案，然后进行外围系统的设计，这时需要考虑电池包所需要的冷却液流量和冷却液温度，进而进行热管理系统设计，比如换热器规格、空调系统设计等。除此之外，还需要对系统组件和控制策略进行优化，从而实现最佳的产品设计，降低热管理系统功耗。

使用有限元分析方法可以在产品设计阶段预测电池温度、流固换热过程，但电池的发热过程是随着电池温度、电池SOC瞬态变化的。使用单一工况点的稳态的分析无法体现电池的温度变化过程，而使用瞬态的分析方法，由于物理时长很长（1C快充的物理时间为1小时），使用有限元分析需要消耗大量的仿真时间，无法满足产品设计周期的要求。

IDAJ建议：拟三维电池包模型

拟三维电池包模型：通过一维的建模方法，将电池包内固体结构（电芯、水冷板、模组支架、电池包外壳）转化为热质量单元模型，将流体部分生成一维流域模型，建立详细的固体-固体导热模型、固体-流体对流换热及环境换热边界，模拟由于水冷板结构布置和模组空间布置带来的电芯温差。由于一维的传热单元是以电芯为最小单位，因此一个电池包传热模型只需要几百个传热节点既能满足仿真要求。

进一步，可以将拟电池等效电路模型放在模型中，使传热模型与等效电路模型相互传递热量温度边界，即可模拟不同工况下由于电池工作状态（电压、电流）不同，带来的电芯温度变化。

由于拟三维电池包模型的快速计算特性，还可以将这部份模型作为整车能量管理模型的子模型，此时电池包的电流激励则根据不同的整车行驶状态（例如快速充电+高速）发生变化，预测复杂工况的电池工作状态。

通过拟三维电池包模型，可根据不同整车行驶状态优化对应的控制策略（压缩机、PTC、风扇、水泵），从而尽可能减少热管理系统能量消耗，改善汽车行驶里程。

秘籍：拟三维电池包模型建模技巧

由于电池包内结构往往具有复杂的几何形状，其传热边界也很难手动识别，针对这一问题，可使用GT-SUITE自带的GEM3D模块，该模块是GT-SUITE开发的将几何形状自动转换为一维模型的工具，可以生成对应的流域、固体域模型。用户在建模时只需要输入材料属性和初始状态，即可自动生成热质量单元及相关的传热边界。

步骤1：选择待转换部件，鼠标右键convertshape to component

步骤2：转换类型选择thermalmass，选择lump mass

步骤3：选择材料属性、初始温度

步骤4：定义换热端口，生成传热模型

来源：艾迪捷

前沿技术| 机器学习在发动机设计中的应用

最近五年“机器学习”已经成为真正的热词，从交通流量预测、智能手机虚拟助手到基因测序，机器学习惠及各个行业，科研人员利用其基于大数据来增强预测能力。除了增加日常生活的便利性，机器学习还可以推动技术的进步。近期，CSI公司(Convergent Science Inc)和美国阿贡国家实验室、沙特阿拉伯国家石油公司等合作将机器学习技术应用于汽车发动机研发领域，进一步加强CONVERGE的CFD研究能力。机器学习利用现存的数据库来优化和预测性能更好、效率更高、排放更好的新设计。在市场竞争和日趋严格的减排需求背景下，机器学习和发动机CFD的结合是一个非常有前景的发展方向。1机器学习概述在非常基础的层面，机器学习意味着利用数据做出准确预测。比如我们每天都会遭遇定投广告。营销人员就是利用机器学习获取我们的统计数据和兴趣偏好信息后提供了相关产品推荐。而且多数时候这些推荐都惊人的准确。开发机器学习模型的第一步就是科学家去收集巨大的数据库，然后机器学习模型对数据进行数值统计，探测输入输出之间的关系，这个过程就是所谓的模型训练。为了评估模型的准确性，科学家通常会给模型一个未包含在训练数据库中的测试数据库来检验其预测准确性。算法越准确，预测失误风险越低。目前有很多机器学习算法（决策树、支持向量机、神经网络等），其中有些已经发展了数十年。2CFD应用发动机设计者常用的一种优化技术是遗传算法（GA）。CONVERGE就包含了这样一个工具CONGO，利用“适者生存法”来优化设计，即选取个体设计在一组由用户定义变量生成的设计种群中相互竞争。每个个体设计包含多个优化特征，如燃烧阶段、燃烧形态设计等。一个GA研究的目标就是优化一个结果，比如比油耗，同时又保留在某些特定的约束内，比如排放或燃烧峰压。CONVERGE无需耦合第三方工具，优化流程实施非常简洁，以及无需手动划分网格以及参数输入输出的文本化控制，成为CFD-GA优化的理想工具。顾名思义，遗传算法研究需要运行连续几代。这种方法的缺点之一就是各代的运算时间很长，有时甚至需要数个月的时间。这是因为大多数发动机CFD模拟的单个结果都需要一天到一周的时间。发动机研究者常常需要一种比GA优化更快的方法。为了满足这种需求，Moiz等人就把机器学习和基因算法优化结合起来以快速开发汽油压燃（GCI）发动机设计。他们研究的发动机使用了低辛烷汽油部分预混后压燃。首先，科学家们运算了大规模（2048个CONVERGE独立仿真算例）空间填充实验设计（DoE）来创建训练数据库。DoE可以一次完成所有定义，这样所有仿真可以同步进行。随着像阿贡国家实验室的Mira这样的超级计算机的出现和应用，整个DoE的CFD仿真可在几天内完成。作者还研究了使用更小的训练数据库以确定成本更低的DoE是否足够要求。他们发现学习曲线有希望减少为一个样本大小为300的DoE。整个过程中CONVERGE表现优秀，2048个采样案例的输入文件全部由CONVERGE CONGO工具自动生成，分6批，每批256个算例，在超算上完成，每个算例使用32个处理器，包括排队时间整个计算过程耗时两周。CONVERGE在超级计算机上运行稳定，并行效率很高，理论上，只要资源允许，整个计算过程可以压缩到一天内完成！像GCI这样的新兴燃烧技术有足够的优化空间以最大化的提升效率和减少排放，数值研究是这项任务的理想选择。在目前的研究中，作者采用机器学习遗传算法来减少GCI发动机设计的优化周期并克服上述困难。基本过程如下：1. 用CONVERGE完成2000多个高精度CFD模拟，创建用于机器学习模型训练的大数据库2. 基于CFD数据训练和测试机器学习模型3. 使用机器学习算法作为优化设计空间的模拟器以优化发动机设计机器学习（ML）遗传算法过程比传统遗传优化更具速度优势。首先，工程师可以并行计算一些初始CFD仿真，快速生成种子数据。其次，和需要128个处理器并行12个小时完成的高精度CFD模拟相比，机器学习遗传算法模拟器可以在几秒内评估一个设计。在以CFD结果为目标函数的遗传算法优化中，连续运行CFD模拟是整个过程的瓶颈所在。而机器学习遗传算法大大减少了时间，可以在一天时间内进行完全优化。这个方法的另一个好处在于工程师可以使用初始的空间填充DoE数据库对未来设计空间进行探寻或不确定性分析。机器学习现在在软件应用方面已经成为无处不在的强大工具。当机器学习基因算法和CFD相结合也可以帮助设计者更快的优化发动机效率和性能。 CONVERGE特有的网格技术、物理模型等优势在建立学习库的过程中提供快速而精确的CFD仿真数据，是机器学习算法成长的强有力的支撑和基础。参考文献[1] Moiz, A., Pal, P., Probst, D., Pei, Y., Zhang, Y., Som, S., and Kodavasal, J., “A Machine Learning-Genetic Algorithm (ML-GA) Approach for Rapid Optimization Using High-Performance Computing,” SAE Paper 2018-01-0190, 2018. DOI:10.4271/2018-01-0190 本文由IDAJ中国CONVERGE工程师翻译并整理发布。来源：艾迪捷