基于混合纳米流体的圆柱形电池模块传热增强的机器学习方法

《Results in Surfaces and Interfaces》：Machine learning based technique for heat transfer enhancement of cylindrical battery modules utilizing hybrid nanofluids

　　

混合纳米流体因其卓越的传热性能及多样化的应用场景，已引起当代研究界和科学家的广泛关注。本研究揭示了一种将混合纳米流体应用于圆柱形电池模块及新型冷却系统的数值方法。混合纳米流体主要由基础冷却液与多种材料的纳米颗粒复合而成，以提升电池及冷却系统的热导率及传热性能。本研究通过将两种不同类型的纳米颗粒——氧化铝（Al₂O₃）和铜（Cu）——分散于水基液体中，制备了混合纳米流体。所考虑的能量方程涵盖粘性耗散、热产生及焦耳热效应，动量方程采用对流边界条件，同时纳入磁场变量。通过合适的相似性变量，非线性偏微分方程组被转化为常微分方程组。研究人员利用基于人工神经网络的Levenberg-Marquardt反向传播算法（LMBP-Algorithm）对方程进行了数值求解。在不同条件下，通过均方误差（MSE）、误差直方图（EH）及回归分析（RA）等多种性能指标，评估了基于LMBP-算法的人工智能神经网络预测模型的效能。研究还对关键参数对速度及温度分布的影响进行了详细考察。结果表明：速度分布随局部格拉晓夫数（Gr_x）、热源/汇因子（Q）及Brinkman数（Br）呈增大趋势，随磁场参数（M）呈减小趋势；而温度分布对上述四个参数均呈增大趋势。这些特性使其成为有效冷却电池组的显著选择，适用于可再生能源存储、新型电子器件及现代电动汽车等多种应用场景。

本研究聚焦于圆柱形电池模块的热管理问题，旨在通过混合纳米流体（HNFs）与智能计算技术的结合，提升电池系统的散热效率与热性能。

研究背景方面，随着电动汽车、航空航天、航运、电子、核冷却系统及生物医学等领域的快速发展，锂离子电池因其低自放电率、高工作电压、长循环寿命、宽温度适用范围、优异的能量密度及无记忆效应等优势而得到广泛应用。然而，电池在充放电过程中产生的过热问题严重制约其性能、寿命及安全性。传统冷却工质（如水、油、乙二醇等）的热导率较低，散热能力有限。纳米流体（NFs）通过在基础流体中分散纳米颗粒可显著提升传热性能，而混合纳米流体（HNFs）因融合两种及以上纳米颗粒，较单相纳米流体及传统工质展现出更优越的传热特性与热物理性质，尤其在太阳能及车辆机电系统领域具有应用潜力。此外，人工智能神经网络（NNs）结合Levenberg-Marquardt反向传播算法（LMBP-Algorithm）在处理非线性复杂问题如质量与热量传输方面展现出强大能力，为工程热物理问题的数值模拟提供了新途径。基于此，研究人员开展了本项研究，旨在建立混合纳米流体模型（HNFM），探究相关物理参数对圆柱形电池模块传热性能的影响机制，为电池热管理提供理论支撑与优化方案。

该论文发表于《Results in Surfaces and Interfaces》期刊。

研究中采用的主要关键技术方法包括：相似性变量变换技术——将描述流动与传热问题的偏微分方程组（PDEs）转化为常微分方程组（ODEs）；数值求解技术——利用Mathematica软件的ND-Solve数学求解器生成基础数值数据集；智能计算技术——构建基于LMBP-算法的人工神经网络（ANN）模型，采用10个隐藏神经元，将101组输入数据按70%、15%、15%的比例划分为训练集、验证集与测试集；性能评估技术——通过均方误差（MSE）、回归分析（RA）、误差直方图（EH）、函数拟合（FF）、训练状态（TS）及误差分析（EA）等指标验证模型精度与收敛性。

研究结果部分按照不同参数影响展开分析：

"速度分布的影响"——针对场景1-4，分别考察了局部格拉晓夫数（Gr_x）、磁场参数（M）、热源/汇因子（Q）及Brinkman数（Br）对速度分布的影响。场景1（对应图18）显示，随Gr_x增大，速度分布呈增大趋势，表明浮升力效应增强流体动量；场景2（对应图19）表明，随M增大，速度分布减小，归因于洛伦兹力对流动的抑制作用；场景3（对应图20）与场景4（对应图21）分别显示，Q与Br的增大均使速度分布增大，源于热源效应增强及粘性耗散热贡献。

"温度分布的影响"——针对场景5-8，分别考察了上述参数对温度分布的影响。场景5-8（分别对应图22-25）一致表明，随Gr_x、M、Q及Br的增大，温度分布均呈增大趋势，这与能量方程中各项热源效应及边界条件的物理机制相符。

讨论与结论部分，研究通过MSE性能分析（图6）、训练状态评估（图7）、函数拟合对比（图8）、误差直方图分析（图9）及回归分析（图10-17）等多维度验证，确认了LMBP-算法神经网络模型的高精度与良好收敛性。各场景的最佳验证性能MSE量级达10^-11至10^-10，梯度值稳定在10^-8量级，Mu值处于10^-9至10^-8范围，回归系数R趋近于1。研究结论明确指出：速度分布对Gr_x、Q、Br呈增大趋势，对M呈减小趋势；温度分布对所有四个参数均呈增大趋势。通过训练、测试与验证阶段的性能分析、回归分析图及MSE指标，确立了数值结论的准确性。该智能计算方法为混合纳米流体在圆柱形电池模块热管理中的应用提供了可靠的数值预测工具。