CFD-Based Design Exploration of a Battery Thermal Management System Aided by Data-Driven Optimization Methods
Uimonen, Timo (2021-02-03)
03.02.2021
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe202102033665
https://urn.fi/URN:NBN:fi-fe202102033665
Tiivistelmä
A growing interest in battery-driven electric mobility has increased the demand for new design tools in the development of lithium-ion battery packs. Ensuring good battery thermal management, in particular, is vital for the safe operation of lithium-ion batteries. To cut the number of prototypes required for this, use of computational simulations has been recognized as a valuable tool.
The goal of this thesis was to evaluate the utility of computational mesh morphing and geometric parametrization as simulation-driven design exploration methods in the early development phase of a battery thermal management system. Moreover, the use of data-driven optimization methods was investigated. To this purpose, CFD-based design exploration was performed on a section cut of a multi-cell battery pack. To evaluate the value of a data-driven optimization method, a mathematical surrogate model was constructed to replace the CFD model in finding the optimum design.
The results indicated that geometric parametrization is a more suitable method for design exploration of large battery packs than mesh morphing. Especially for studies that require a large design space, the mesh morphing turned out to be too limited. Similarly, data-driven surrogate models demonstrated their utility by dramatically reducing the computational cost of the optimization phase. On average, the optimization time was approximately 163 seconds, far less than the estimated time with a CFD-based optimization (62 hours with 1000 iterations). However, constructing a surrogate model accurate enough for optimization purposes required a training database of 159 data points and additional 42 refinement points. The evaluation of these data points with CFD simulations was estimated to take approximately 12.5 hours. This turned out to be the largest bottleneck in the metamodelling process. Kasvava kiinnostus akkukäyttöisiä sähköajoneuvoja kohtaan on lisännyt kysyntää uusille suunnittelutyökaluille. Erityisesti litium-ioni-akkujen hyvän lämmönhallinnan varmistaminen on kriittisessä asemassa suurten akkujärjestelmien suunnittelussa. Tämän saavuttaminen perinteisin työkaluin vaatii usein lukuisten prototyyppien testaamista. Tästä syystä laskennallisten simulaatioiden käyttöä on ehdotettu vähentämään prototyyppien määrää sekä nopeuttamaan tuotekehitysprosessia.
Tämän diplomityön tavoitteena oli arvioida kahden eri CFD-simulaatiopohjaisen suunnittelutyökalun käyttöä akkujärjestelmän lämmönhallinnan varhaisessa tuotekehitysvaiheessa. Arvioitavat menetelmät olivat laskennallisen verkon muodonmuuttaminen sekä geometrian parametrisointi. Näiden lisäksi diplomityössä tutkittiin myös tilastollisten sijaismallien käyttöä geometrian optimoinnissa. Menetelmien arviointia varten simulaation geometriaksi valittiin monikennoisen akkujärjestelmän poikkileikkaus, jonka muotoa muunneltiin tutkimuksen aikana. Optimointivaiheessa vuorostaan CFD-malli korvattiin rakennetulla sijaismallilla.
Tuloksista voitiin päätellä, että geometrian parametrisointi on sopivampi menetelmä suurten akkujärjestelmien suunnitteluprojekteihin kuin laskennallisen verkon muodonmuuttaminen. Etenkin projekteissa, joissa vaaditaan lukuisia eri geometriavariaatioita, laskennallisen verkon muodonmuuttaminen osoittautui menetelmänä liian rajoittuneeksi. CFD-simulaatioiden korvaaminen tilastollisilla sijaismalleilla mahdollisti suuria säästöjä optimoinnin laskentatehovaatimuksissa. Keskimääräinen optimointiaika oli n. 163 sekuntia, joka oli huomattavasti lyhyempi kuin mitä CFD-pohjaisen optimoinnin arvioitiin vaativan (62 tuntia, 1000 iteraatiota). Sijaismallin tarkkuuden kehittäminen optimointiin sopivaksi puolestaan vaati yhteensä 201 datapistettä, jotka ratkaistiin CFD-simulaatioilla. Näistä 159 kuului alkuperäiseen näytteenottoon ja 42 lisättiin ylimääräisinä datapisteinä parantamaan mallin tarkkuutta. Näiden datapisteiden ratkaiseminen vei arviolta noin 12.5 tuntia. Tämä osoittautui kaikkein aikaa vievimmäksi vaiheeksi sijaismallin kehityksessä.
The goal of this thesis was to evaluate the utility of computational mesh morphing and geometric parametrization as simulation-driven design exploration methods in the early development phase of a battery thermal management system. Moreover, the use of data-driven optimization methods was investigated. To this purpose, CFD-based design exploration was performed on a section cut of a multi-cell battery pack. To evaluate the value of a data-driven optimization method, a mathematical surrogate model was constructed to replace the CFD model in finding the optimum design.
The results indicated that geometric parametrization is a more suitable method for design exploration of large battery packs than mesh morphing. Especially for studies that require a large design space, the mesh morphing turned out to be too limited. Similarly, data-driven surrogate models demonstrated their utility by dramatically reducing the computational cost of the optimization phase. On average, the optimization time was approximately 163 seconds, far less than the estimated time with a CFD-based optimization (62 hours with 1000 iterations). However, constructing a surrogate model accurate enough for optimization purposes required a training database of 159 data points and additional 42 refinement points. The evaluation of these data points with CFD simulations was estimated to take approximately 12.5 hours. This turned out to be the largest bottleneck in the metamodelling process.
Tämän diplomityön tavoitteena oli arvioida kahden eri CFD-simulaatiopohjaisen suunnittelutyökalun käyttöä akkujärjestelmän lämmönhallinnan varhaisessa tuotekehitysvaiheessa. Arvioitavat menetelmät olivat laskennallisen verkon muodonmuuttaminen sekä geometrian parametrisointi. Näiden lisäksi diplomityössä tutkittiin myös tilastollisten sijaismallien käyttöä geometrian optimoinnissa. Menetelmien arviointia varten simulaation geometriaksi valittiin monikennoisen akkujärjestelmän poikkileikkaus, jonka muotoa muunneltiin tutkimuksen aikana. Optimointivaiheessa vuorostaan CFD-malli korvattiin rakennetulla sijaismallilla.
Tuloksista voitiin päätellä, että geometrian parametrisointi on sopivampi menetelmä suurten akkujärjestelmien suunnitteluprojekteihin kuin laskennallisen verkon muodonmuuttaminen. Etenkin projekteissa, joissa vaaditaan lukuisia eri geometriavariaatioita, laskennallisen verkon muodonmuuttaminen osoittautui menetelmänä liian rajoittuneeksi. CFD-simulaatioiden korvaaminen tilastollisilla sijaismalleilla mahdollisti suuria säästöjä optimoinnin laskentatehovaatimuksissa. Keskimääräinen optimointiaika oli n. 163 sekuntia, joka oli huomattavasti lyhyempi kuin mitä CFD-pohjaisen optimoinnin arvioitiin vaativan (62 tuntia, 1000 iteraatiota). Sijaismallin tarkkuuden kehittäminen optimointiin sopivaksi puolestaan vaati yhteensä 201 datapistettä, jotka ratkaistiin CFD-simulaatioilla. Näistä 159 kuului alkuperäiseen näytteenottoon ja 42 lisättiin ylimääräisinä datapisteinä parantamaan mallin tarkkuutta. Näiden datapisteiden ratkaiseminen vei arviolta noin 12.5 tuntia. Tämä osoittautui kaikkein aikaa vievimmäksi vaiheeksi sijaismallin kehityksessä.