《Journal of Energy Storage》：Thermal performance analysis and optimization of an improved Tesla valve-based liquid cooling plate
编辑推荐：
为解决基于Tesla阀的液冷结构压降过大的问题，研究人员通过在不同位置增设微通道(microchannel)并对阀体结构做微小改动，构建了四种新型液冷通道结构。这些设计在保留基础Tesla阀高传热性能的同时，有效降低了功耗损失。首先，研究人员系统分析了传统Te
为解决基于Tesla阀的液冷结构压降过大的问题，研究人员通过在不同位置增设微通道(microchannel)并对阀体结构做微小改动，构建了四种新型液冷通道结构。这些设计在保留基础Tesla阀高传热性能的同时，有效降低了功耗损失。首先，研究人员系统分析了传统Tesla阀及四种改进结构在雷诺数(Reynolds number, Re)99.7～299.1范围内的流动特性、传热特性及综合性能(comprehensive performance, 常采用性能评价准则数Performance Evaluation Criteria, PEC)，并进行了模型优选。在此基础上，通过研究微通道布置方式与Tesla阀级数对液冷板综合性能的影响，获得初步优化模型。随后对初步优化模型的五个关键几何参数进行单因素及灵敏度(sensitivity)分析。最终，分别采用响应面法耦合非支配排序遗传算法Ⅱ(Response Surface Methodology-Non-dominated Sorting Genetic Algorithm II, RSM-NSGA-II)和人工神经网络耦合非支配排序遗传算法Ⅱ(Artificial Neural Network-Non-dominated Sorting Genetic Algorithm II, ANN-NSGA-II)进行多目标优化(multi-objective optimization)。结果表明，基于ANN-NSGA-II的优化模型性能更优。与传统Tesla阀模型相比，优化模型压降降低14.44 Pa（降幅66.79%），平均温度降低2.45 ℃（降幅6.22%）。最后对优化模型进行实验验证，确认了计算流体动力学(Computational Fluid Dynamics, CFD)仿真的可靠性。
论文解读：改进型Tesla阀液冷板的热性能分析与优化
该研究发表于《Journal of Energy Storage》。随着新能源汽车产业快速发展，锂离子动力电池作为主流车载储能装置，其电化学性能、循环寿命及安全性高度依赖工作温度，最佳工作温度范围为20～40 ℃，且单体间最大温差应控制在5 ℃以内；温度过高易引发容量衰减甚至热失控(thermal runaway)，因此高效电池热管理系统(Battery Thermal Management System, BTMS)至关重要。液冷BTMS因导热系数高、结构紧凑、温度均匀性好而被广泛采用，其中带有微通道的间接式冷板(indirect cold plate with microchannels)成为主流。现有研究多关注改变主流通道构型（直通道、S形、菱形、U形等）或引入仿生结构（蜂窝、蛛网、树状、叶脉、四叶草等）及内置翅片/异形柱销鳍(pin fins)，虽强化换热但往往增大流动阻力；部分研究尝试引入二次微通道改善换热并降低压降，但对抑制冷却液逆流(counterflow)与强化换热协同机制的系统研究较少。Tesla阀具独特"流体二极管(fluidic diode)"效应，正向流动阻力小、可抑制反向流动且换热较强，近年被引入BTMS研究，但其复杂流道导致显著压力损失(pressure drop)与泵功消耗，多级设计虽改善均温性却未充分考虑压降问题。为此，研究人员在保留Tesla阀传热优势的前提下，通过在不同位置增设微通道并微调阀结构，构建四种改进型液冷通道，经性能筛选、参数分析及多目标优化，旨在同时降低系统功耗并确保足够冷却性能，并通过实验验证CFD仿真可靠性。
主要关键技术方法
研究人员以传统Tesla阀通道(Model 0)为基准，提出四种增设微通道并微调阀结构的改进模型(Model 1～Model 4)。采用CFD数值模拟分析Re=99.7～299.1下各模型流动与传热特性及综合性能评价指标(PEC)，通过对比优选有效模型。针对优选模型，分析微通道布置位置（仅前半段/仅后半段/全段）及Tesla阀级数对性能影响以确定后续优化对象。对初步优化模型的五个关键几何尺寸进行单因素与灵敏度分析。分别建立RSM(rsponse surface methodology)与ANN(artificial neural network)代理模型并耦合NSGA-II(non-dominated sorting genetic algorithm II)进行双目标（最小化压降Δp与平均温度Tavg）多目标优化，对比两种优化策略结果。选取ANN-NSGA-II最优解加工实物液冷板，搭建实验平台测量压降与温度分布以验证仿真准确性。
研究结果
Geometric model（几何模型）
研究人员基于"保留传热优势并降低流阻"的渐进设计原则提出四种新型通道构型。Model 0为传统Tesla阀通道；Model 1在基线结构上引入微通道，通过增大换热面积并提供二次流路径分流部分流体；Model 2～Model 4在其他位置增设微通道并对阀结构做微小修改。五组模型除改进部分外整体外形与总流道尺寸一致。
Flow characteristics analysis（流动特性分析）
因各通道独立且结构相同，研究人员取各模型中心通道为代表区域进行对比。Re=99.7时速度分布与流线显示：相较传统Tesla阀通道，各改进通道速度均匀性有所变化，微通道为流体提供旁路减小主流滞止区，削弱局部流动分离与二次涡旋强度，从而降低沿程与局部压力损失。
Influence of adding microchannels at different locations（不同位置增设微通道的影响）
基于Model 2设计三种微通道布置方案——仅布置于通道前半段(Type II)、仅布置于后半段(Type III)及全段布置(Type IV)。分析表明微通道布置位置显著影响液冷板性能：全段布置(Type IV)在降低压降与改善温度均匀性方面综合表现较优，据此确定最终待优化模型构型及Tesla阀适用级数。
Experimental platform setup（实验平台搭建）
研究人员选取Model 2经ANN-NSGA-II优化后的方案进行实物加工，液冷板尺寸与数值模型一致，由CNC(computer numerical control) machining加工底板与盖板，采用液体密封带和螺栓紧固密封。搭建实验平台进行压降与温度测试，实测数据与CFD仿真结果吻合较好，验证了数值模拟的可靠性。
Conclusion（结论）
研究人员为克服Tesla阀液冷结构压降过大的缺陷，通过在不同位置增设微通道并微调阀结构构建了四种高传热低功耗改进型Tesla阀液冷通道，经性能分析优选有效模型并对其关键尺寸参数优化。主要结论如下：
(1) 与传统Tesla阀模型相比，基于ANN-NSGA-II优化的改进模型压降降低14.44 Pa（降低66.79%），平均温度降低2.45 ℃（降低6.22%）。
(2) 微通道的合理布置可在保留Tesla阀强化换热特性的同时显著抑制压力损失，全段布置效果优于局部布置。
(3) ANN-NSGA-II优化所得Pareto前沿优于RSM-NSGA-II，表明人工神经网络代理模型对该非线性热流问题具有更好拟合精度。
(4) 实验验证结果与CFD仿真吻合，证明所建数值模型及优化方法可用于Tesla阀液冷板工程设计。
讨论
该研究针对Tesla阀液冷板高压降痛点，创新性地在阀体不同位置耦合微通道二次流路径，兼顾了Tesla阀固有的逆流抑制与强化换热优势及低流阻需求。通过系统的数值模拟—参数敏感性分析—双代理模型多目标优化—实验验证闭环研究，明确了微通道空间布局对压降与均温性的影响规律，证实ANN-NSGA-II较RSM-NSGA-II更适合此类强非线性热流多目标问题。优化后液冷板在显著降低泵功消耗的同时小幅降低电池模组平均温度，对高功率密度锂离子动力电池及大功率电子器件热管理中的低能耗液冷结构设计与工程应用具有重要参考价值。
