机器学习辅助的锂离子电池热管理复合相变材料多尺度建模
计算物理
2021-03-25 v1 应用物理
摘要
本工作中，我们开发了卷积神经网络(CNNs)与有限元法(FEM)相结合的方法，以研究由石蜡与铜泡沫构成的复合相变材料(CPCMs)的有效热学性质。在该方法中，首先利用FEM对CPCM微结构建模，随后创建带有对应热学性质的图像数据集。该图像数据集随后用于训练与测试CNN性能，并与一种流行的图像分类任务网络架构的性能进行比较。预测的热学性质被用于定义电池包中CPCM材料的属性。通过应用Newman电池模型模拟了锂离子电芯在充放电过程中的产热与电化学响应。热管理通过石蜡的潜热实现，并采用铜泡沫增强导热系数。最终利用FEM建立多尺度模型以考察电池包热管理的有效性。在这些模型中，由FEM与CNN估算的热学性质被用于定义电池包CPCM材料属性。我们的结果证实，基于CNN开发的模型能够以相较原始FEM模型极佳的精度评估电池包热管理系统的有效性。
引用
@article{arxiv.2103.13326,
title = {Machine learning assisted multiscale modeling of composite phase change materials for Li-ion batteries thermal management},
author = {Felix Kolodziejczyk and Bohayra Mortazavi and Timon Rabczuk and Xiaoying Zhuang},
journal= {arXiv preprint arXiv:2103.13326},
year = {2021}
}