利用AI優化奈米流體於電池熱管理系統技術

前言

隨著環保意識的提升，各國積極致力於減少碳排放[1]。為了實現這一目標，電動載具逐漸成為一個重要的解決方案，其中包括電動車、電動船、電動滑板車等。作為電動載具關鍵的能量儲存與供應來源，電池技術吸引了大量的研究與開發。隨著消費者需求的提升，電動載具的功能不斷增強，導致電池功率的增加，進而產生更多熱量，使得電池溫度容易過高，對電池性能與安全構成威脅。過高的電池溫度不僅會導致性能下降，還可能引發火災危險，對消費者安全造成重大風險。因此，開發高效的散熱技術顯得至關重要。

本研究針對電池溫度管理問題，選擇平板式電池進行設計，並透過蛇型水流道幾何結構實現電池冷卻，同時利用奈米流體的高熱傳導特性進一步提升熱交換效率[2]。水冷技術可有效應用於電動載具電池散熱系統中，既能實現節能，又有助於降低電池成本。幾何設計上，本研究將水流道與電池包結合，並採用彎曲迴繞結構，使得電池包在運行過程中保持均溫性能。此外，透過數值模擬有限體積法計算並驗證電池包的溫度分布。

在工作流體選擇方面，本研究引入奈米流體技術，通過將奈米顆粒添加至工作流體中，顯著提高了熱傳遞效率。目前，石墨烯奈米材料的熱導率最高，超越了奈米銅氧化物和奈米鋁土酸鹽粉末，因此本研究選用了石墨烯奈米流體作為工作流體。

為了進一步優化散熱系統，本研究開發了一套基於機器學習的奈米流體參數優化系統，該系統包括整合石墨烯濃度、冷卻區域中的工作流體體積以及泵浦運送速率等多個參數。這些參數的不同組合將產生數百萬種可能的實驗結果，因此需要借助機器學習技術來尋找最適解。

本研究中引入的代理模型[3]，通過數學模型逼近那些難以直接測量或計算的結果。該方法通過迭代反饋搜索過程，決定每次迭代應該測試的最佳參數組合。經過多次迭代，最優的參數值可以從數百萬個可能的組合中識別出來，大大減少了所需的迭代次數、時間、精力與成本，相較於傳統的強力參數優化方法，具有更高的成本效益。代理模型的另一優勢是其輸出驅動特性，無需對奈米技術或浸沒式冷卻系統有任何先驗知識或假設。
在本研究中，代理模型應用於工業技術研究院提供的浸沒式冷卻實驗數據，並採用了主動學習方法來豐富訓練數據集，並對代理模型進行反覆訓練。這一方法能夠精確逼近模擬結果，相比於傳統的耗時搜索方法，代理模型的優化過程具有更高的成本效益。為了建立初始代理模型，本研究使用了真實的浸沒冷卻數據集，共包含1152個數據點，每個數據點包含15個參數。數據集的詳細描述將在後續部分提供。

總結來說，本研究提出了一種基於人工智慧的奈米流體參數優化方法，通過代理模型進行反覆迭代搜索，大幅提高了散熱系統優化的效率，顯著降低了成本與時間。與傳統的優化方法相比，該方法更加高效且具成本效益。此外，本研究也深入分析了真實的冷卻實驗數據，探討了電池溫度與短路間隔等參數與變數之間的關聯，為後續的研究提供了重要的數據支持，並實現了一個交互式參數優化系統，幫助使用者高效找到最佳的冷卻參數配置。