《Energy》：Data-driven machine learning framework for thermal performance prediction and control of mini-channel and metal-foam assisted battery immersion cooling systems
编辑推荐：
浸没冷却电池热管理系统通过LSTM-FC模型实现序列温度响应与空间温度场的联合预测，结合约束优化逆设计，动态调整质量流量与入口温度，将最大温度超限时间从79.2%降至5.9%，温度差超限时间从61.4%降至13.6%。研究解决了传统方法在时变多变量条件下的实时决策难题，建立了数据驱动的操作级优化框架。
崔洪硕|俊永珠| Chun仁宇| 李允固| 李浩成
韩国大学机械工程系，409创新大厅大楼，安岩洞，城北区，首尔，大韩民国
摘要
浸没冷却电池热管理系统正成为一项关键技术；然而，其发展受到分析方法与实时运行情况不匹配的限制。高保真计算流体动力学（CFD）在重复的“假设情景”评估中成本高昂，而最近的机器学习应用往往以几何形状为中心且基于准稳态假设，对序列感知预测和约束感知优化支持有限。因此，本文提出了一种基于操作级别的数据驱动机器学习框架，用于微型通道和金属泡沫浸没冷却系统。该框架采用带有额外全连接层的LSTM（LSTM-FC）来联合预测整个序列的热响应和空间分辨的表面温度场，并将其与约束感知的逆向设计循环相结合，从而将机器学习的作用从几何形状调整转变为序列感知、以控制为导向的操作。通过实验验证的计算模型生成了覆盖广泛工作范围的全面瞬态数据集，LSTM-FC在未见过的较高充电率、混合C率分布和极端热条件下仍能以低推理延迟实现高精度和强泛化能力。逆向设计过程在最大温度、温差和热点抑制的明确限制下优化了入口温度和质量流量，使得超过安全限值的时间分别从79.2%降至5.9%（对于最大温度）和从61.4%降至13.6%（对于温差）。因此，所提出的LSTM-FC框架能够实现快速准确的非稳态预测，并具备实时约束感知的操作点选择能力，为未来向设计级优化和在线适应性扩展奠定了基础。
引言
由于高功率和快速充电操作会加剧热量产生并增加牵引电池的安全风险[1]，[2]，电池热管理系统（BTMS）变得至关重要。为了在苛刻使用条件下严格限制最大温度和温差[3]，[4]，需要更有效的冷却策略。尽管空气冷却和间接液体冷却已被广泛采用，但在高充电率和消防安全考虑方面的实际局限性促使人们重新关注浸没冷却技术——在这种技术中，电池浸入介电流体中通过直接表面接触来散热[5]，[6]。此外，与传统方法相比，浸没冷却系统引入了额外的复杂性，包括三维几何结构、复杂的流动路径以及完全瞬态行为，这些都需要在实际情况中进行捕捉[7]，[8]。因此，在我们之前的研究[9]中，我们开发了一种基于微型通道和金属泡沫（MCMF）的辅助浸没冷却系统，通过增加有效传热面积并利用现有冷却回路（无需额外的介电流体循环系统）来克服这些挑战。在高C率充电和恶劣环境条件下，该系统展示了稳健的温度控制能力，从而为基于浸没冷却的高级热管理奠定了实际基础。
随着浸没冷却BTMS从离线验证转向在线运行，问题已转变为在完全瞬态和多变量条件下的实时决策[10]，[11]。混合C率序列和时变热量产生要求在整个序列上进行准确预测，同时计算成本要非常低[12]，[13]。需要同时调整相互作用变量（包括质量流量和入口温度），这需要通过逆向设计来限制最大温度、温差和热点抑制，这些可以在序列输出和表面温度场上实施[14]，[15]。由于底层物理机制将微型通道和金属泡沫中的三维流动与多孔介质效应耦合在一起，因此在操作时间尺度上进行重复的“假设情景”评估和操作点优化是不切实际的。因此，我们采用数据驱动的机器学习（ML）框架，在保留经过验证的CFD实验数据的高保真趋势的同时，提供毫秒级的推理速度，以实现约束感知的逆向设计循环和实时设定点选择。
近年来，机器学习在浸没冷却中的应用主要集中在几何形状或进出口优化上[16]，[17]。Ahmad等人[18]使用人工神经网络（ANN）优化了电池间距、垂直间距、入口速度和入口数量，实现了最大温度和温差的同步降低。Tang等人[19]使用ANN优化了圆柱形电池的鳍片导向浸没布局，与传统设计相比降低了最大温度和温差。Donmez等人[17]结合ANN和多目标遗传算法降低了压力损失并改善了温度分布，从而在较高流量下实现了更低的最大温度。Zeng等人[20]将CFD与集成学习相结合，利用大型数据库筛选介电流体特性，确定粘度和导热性为关键参数，并提高了预测精度。Dhamodharan等人[16]研究了带有二次热交换器的高容量电池的两相浸没冷却，并使用ANN准确预测了热液性能，同时确定了最佳入口蒸汽质量范围。这些研究表明，尽管大多数实现仍以几何形状为中心且基于准稳态假设，但人们对机器学习在浸没冷却中的应用兴趣日益增加。
在文献回顾中，我们发现了浸没冷却BTMS的反复出现的问题，这促使我们提出了操作级别的ML方法，并明确了现有方法的不足。虽然有针对进出口布置、间距和流动分布的以几何形状为中心的研究和简化的ANN替代方案，但它们仍基于准稳态假设，无法在混合C率分布下进行序列感知预测。高保真CFD可以解析三维流动和多孔介质效应，但在操作时间尺度上进行重复的“假设情景”评估和在线优化是不切实际的。以稳态指标为中心的方法难以保持热点管理所需的表面场精度，也无法在同时调整质量流量和入口温度时直接限制最大温度和温差。因此，目前缺乏具备表面场处理和约束感知逆向设计的操作级别序列感知模型，这激发了我们在本工作中专门开发ML方法的动力。
在此背景下，我们专门为MCMF浸没冷却系统整合了操作级别和数据驱动的ML方法，使之前开发的BTMS能够以现实、可决策的方式投入使用。选择了LSTM-FC结构并针对MCMF环境进行了定制，其中微型通道和多孔金属泡沫中的三维流动控制热量去除和热点形成。LSTM编码器用于捕捉混合C率分布下的整个序列瞬态响应，FC层最终生成表面温度图以实现热点感知目标。通过在一个网络中结合初始热状态、序列和表面目标，提高了长期稳定性和数据效率，同时保持了极低的推理延迟，适用于在线使用。虽然考虑了其他ML方法，但通用ANN缺乏处理混合C率动态的时间记忆能力，时间卷积网络需要更深的感受野和额外的层来实现空间目标，变换器通常需要更大的数据集并导致更高的训练成本和延迟；物理信息丰富的神经网络在三维多孔流动环境中的计算负担较重；而单纯的LSTM无法提供热点感知约束所需的表面温度场。与以往以几何形状为中心和基于准稳态假设的ML应用相比，本文建立了特定于MCMF的操作级别预测器，并直接与约束感知的逆向设计循环相结合，用于操作变量（包括质量流量和入口温度），同时明确限制了最大温度、温差和热点抑制。这种配置是本文的核心创新点：一个单一的数据驱动框架，能够在多种操作条件和混合C率场景下提供快速准确的预测，具有在不同热量产生分布下的鲁棒性，并通过实时约束感知优化计算操作设定点。因此，我们提出了一个适应MCMF的LSTM-FC模型，它可以联合预测序列输出和空间分辨的表面温度分布，实现浸没冷却的实际、可决策应用。
系统描述
如图1[9]所示，先前开发了一种MCMF BTMS，以克服传统间接液体冷却和强制浸没系统的局限性。该系统结合了微型通道，允许使用传统的汽车冷却回路和金属泡沫来提高介电流体的导热性，从而增强电池冷却过程中的热传递。
开发模型的预测精度
首先使用一个在训练过程中未使用的专用测试数据集评估了所开发的LSTM-FC替代模型的预测精度。训练损失和验证损失随时间的演变情况如图13所示。两种损失在初始训练阶段迅速下降，随后收敛到较低且几乎恒定的值，表明学习了有效的数据，并且没有明显的过拟合现象。
进一步对每个输出进行了预测精度的评估
结论与讨论
本研究通过实验、高保真CFD和数据驱动建模相结合的方法，研究了微型通道和金属泡沫浸没冷却系统的热性能。使用经过验证的CFD模型生成了覆盖广泛工作范围的全面瞬态数据集，并训练了一个带有额外全连接层的LSTM模型，以预测完整的热响应序列和空间分辨的表面温度图。
CRediT作者贡献声明
俊永珠：研究、形式分析。崔洪硕：撰写——原始草案、验证、方法论、研究、形式分析。李允固：方法论、研究。 Chun仁宇：软件、研究。李浩成：撰写——审稿与编辑、监督、研究、资金获取、概念化
资助
本研究得到了韩国国防技术规划与推进研究院（KRIT）的资助，该机构由韩国政府（国防采购计划管理局DAPA）资助（项目编号21-107-F00-016,2022）。
利益冲突声明
? 作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。
