基于拓扑优化与全卷积神经网络的电池冷板冷却流道方法

技术领域

本发明涉及热流体拓扑优化设计技术领域，具体为基于拓扑优化与全卷积神经网络的电池冷板冷却流道方法

背景技术

使用电池作为储能设备的电动汽车快速发展。电池的各项性能与其使用条件密切相关，其中最为重要的一个影响因素就是温度。高温对电池有着显著的影响，主要体现在以下几个方面。高温会缩短电池的寿命，温度升高会加速电池内部的化学反应速率，导致电池容量衰减加剧。高温环境下，电池输出功率会下降。充电速率也会受到高温的制约，延长充电时间并对电池造成损伤。此外，高温还会导致电池自放电率增加，加快了电池容量的消耗。最重要的是，高温对电池的安全性造成严重威胁，容易引发过充、过放、短路等安全问题，甚至可能引起火灾或爆炸。在需要长时间或高功率使用电池的情况下，必须采取措施来控制温度。目前，电池系统最常见的冷却方式就是使用液冷板进行冷却。

与传统的尺寸优化和形状优化相比,拓扑优化的优势在于突破了经验性固有思维对设计的影响,拥有较高的设计自由度,允许在优化过程中改变拓扑形态,可以获得富有想象力的新颖复杂结构,形成颠覆性设计方案,并可通过增材制造等方式得到实现。

但是由于目前基于变密度法的拓扑优化在设计过程中使用有限元方法求解，对大型的项目进行较为精细的拓扑优化时，其优化的最终结果与网格规模息息相关，越多的网格意味着越能实现精准的优化但也需要更多的计算资源，花费大量的时间。其次，基于变密度法的拓扑优化，最后得到的流固边界不清晰，在经过过滤提取后，所得到的流固边界也是不准确且不连续的，这会使得最终所得到的拓扑优化结构对于热力学性能和流体动力学性能并非最优。上述问题限制了拓扑优化的发展。

发明内容

本发明的目的在于克服现有的缺陷而提供的基于拓扑优化与全卷积神经网络的电池冷板冷却流道方法，只需要经过初始少量迭代再通过全卷积神经网络优化，便可得到最后的精细结构，同时所得到的流固边界更加清晰连续。

实现上述目的的技术方案是：

基于拓扑优化与全卷积神经网络的电池冷板冷却流道方法，包括：

步骤S1，根据入口出口位置，设计域尺寸，确定设计域，确定材料物性参数并建立二维优化模型；

步骤S2，选则适用的优化参数、控制方程、边界条件、约束条件和目标函数；

步骤S3，利用达西渗流模型及有理近似模型对材料物性进行插值，结合控制方程、边界条件、约束条件和目标函数建立拓扑优化数学模型；

步骤S4，采用内点法求解器进行迭代优化更新设计变量，使用Helmholtz(亥姆霍兹)公式对流固边界进行过滤投影；

步骤S5，达到收敛条件后输出初步优化后的二维输出含中间密度单元材料分布图及温度梯度图；

步骤S6，构建深度卷积网络模型；

步骤S7，将输出的二维含中间密度单元材料分布图及温度梯度图输入经过训练的全卷积神经网络模型中，经过全卷积神经网络的迭代后输出最终无中间密度单元材料分布图；

步骤S8，根据最终无中间密度单元材料分布图，建立三维模型，对整个电池组进行仿真；

步骤S9，判断电池在放电过程中最高温度和压降是否符合允许的范围，若符合则冷板设计成功，不符合则修改拓扑优化参数，重复所述步骤S4到步骤S8直到符合要求。

优选的，所述步骤S1中，设计域是冷板的外形二维尺寸，包括冷板的长度，宽度，以及流道出口入口位置尺寸及外形尺寸；材料物性参数包括材料的导热系数k，密度ρ，恒压热容C，其中，液体包括粘性μ。

优选的，所述步骤S2中，

适用的设计变量γ用于表示固体或流体，γ＝1为流体，γ＝0为固体；

适用的控制方程为连续性方程、动量方程、液体传热控制方程和固体传热控制方程：

其中，p是流体压力，ρ是密度，u是流体流速，

使用线性插值，将固体传热控制方程与流体传热控制方程结合在一起：

适用的边界条件包括但不限于入口压力、入口速度、入口温度和发热量；

适用的约束条件包括流体域体积占比；

适用的目标函数包括换热量最大化、平均温度最小化、压降最小化和液体流动能量耗散最小化，其中，可以是单目标优化，也可以是多目标优化；

换热量最大化作为目标函数，公式为：

式中Q是换热量，γ是设计变量，H是生热系数，T

压降最小化作为目标函数，公式为：

式中J是压降，p是流体压力，ρ是密度，u是流体流速，Γ

使用容限加权法将两个目标组合成多目标优化问题中的目标函数，其表示如下：

W

式中α

目标函数最终表示为：

F＝-W

优选的，所述步骤S3中，有理近似模型对导热系数k，密度ρ，恒压热容C进行插值：

其中，q为惩罚因子，在不同网格尺寸下选取不同，下标s和f分别代表固体和液体；

逆渗透率α使用达西插值表示为设计变量γ的逆渗透率函数α(γ)，并将其加入纳维斯托克斯方程中：

式中，Da是达西数，μ是动力粘性，L是特征长度；

得到冷却流道优化的数学模型为：

∫γdΩ≤Vh；

式中,V是优化域面积，h是流体所占优化域面积分数；

同时求解当前迭代步下的速度场、压力场、温度场、单元密度信息，计算设计域平均温度，出入口速度，流体体积占比，求解每一优化迭代步下目标函数及各约束函数对设计变量γ的灵敏度值。

优选的，所述步骤S4中，使用内点法求解器求解优化模型，对流固边界的设计变量进行过滤，对流固边界处的设计变量进行双曲正切投影其公式可以表示为：

式中，γ

对流固边界处的设计变量进行双曲正切投影，其公式如下：

式中，γ

优选的，所述步骤S5中，若目标函数及约束函数变化率在连续10个迭代步内低于10％则认为优化求解收敛，若优化不满足收敛条件，则重复所述步骤S4、步骤S5，若优化满足收敛条件，则输出二维温度梯度图像和含有中间密度单元的材料分布图像。

优选的，所述步骤S6包括：

步骤S61，训练数据集，通过不同的边界条件进行随机组合，使用拓扑优化事先得到训练所需要的数据集通过水平翻转、垂直翻转和90度旋转；

步骤S62，构建全卷积神经网络；

步骤S63，通过训练集训练全卷积神经网络，使用损失函数评估模型性能，调整超参数，直至损失函数达到最小，得到优化后的模型；

训练模型过程中的损失函数定义为对数损失和体积损失的线性组合：

loss＝conf_loss+vol_coeff×vol_loss；

其中体积损失vol_loss使用均方差损失函数来表示：

对数损失conf_loss使用交叉熵损失函数来表示：

其中，

步骤S64，保存经过训练后的全卷积神经网络模型，用于下一步对初始迭代后的拓扑优化流道进行最终迭代预测。

优选的，所述步骤S7中，输出的二维含中间密度单元材料分布图及温度梯度图先保存为NumPy专有的二进制文件格式，再保存为于基于HDF5的数据存储格式，经过训练的全卷积神经网络模型中，经过全卷积神经网络的迭代后输出最终无中间密度单元材料分布图。

本发明的有益效果是：

1)本发明使用基于变密度法的拓扑优化方法执行初步迭代并获得有中间密度单元的图像；再使用全卷积神经网络对获得的图像进行分割，处理，最终得到无中间密度单元图像，与传统的电池冷板优化方式相比，基于变密度法的拓扑优化具有更高的自由度，可以得到突破传统经验的流道结构，取得更好的散热效果；

2)本发明通过使用全卷积神经网络模型，只需经过初始少量拓扑优化迭代得到的初始流道，再使用全卷积神经网络优化，便可得到最终优化结果，极大减少了传统拓扑优化过程的时间成本；

3)本发明利用全卷积神经网络进行优化，消除了变密度法拓扑优化过程中的中间密度单元对最优结果的影响,得到更加清晰连续的轮廓。

附图说明

图1是本发明基于拓扑优化与全卷积神经网络的电池冷板冷却流道方法的流程图；

图2是本发明中构建深度卷积网络模型的流程图；

图3是本发明中液冷板二维模型的示意图；

图4是本发明中拓扑优化初始迭代后含有中间密度单元的液冷板二维模型图；

图5是本发明中拓扑优化初始迭代后的温度梯度图；

图6是本发明中全卷积神经网络结构图；

图7是本发明中经过全卷积神经网络优化后不含有中间密度单元的液冷板二维模型图；

图8是本发明中液冷板与电池组构成的三维模型图；

图9是本发明中电池组表面最终温度云图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述。在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相正对地重要性。

下面将结合附图对本发明作进一步说明。

如图1-2所示，基于拓扑优化与全卷积神经网络的电池冷板冷却流道方法，包括：

步骤S1，根据入口出口位置，设计域尺寸，确定设计域，确定材料物性参数并建立二维优化模型。

实施例中，设计域是冷板的外形二维尺寸，包括冷板的长度，宽度，以及流道出口入口位置尺寸及外形尺寸；材料物性参数包括材料的导热系数k，密度ρ，恒压热容C，其中，液体包括粘性μ；本案例中，如图3所示，使用传统蛇形冷却版外形尺寸，二维模型尺寸为250mm×120mm，出入口在冷板同侧，大小为12mm×25mm；冷板固体材料选用铝，其物性参数为：ks＝238[W/(m*K)]固体导热系数，固体比热容Cs＝900[J/kg/K)]，固体密度Ρs＝2700[kg/m^3]固体密度；冷却液选用水，其物性参数为：流体导热系数kf＝0.6[W/m/K]，流体比热容Cf＝4200[J/kg/K]，流体密度ρf＝1000[kg/m^3]。

步骤S2，选则适用的优化参数、控制方程、边界条件、约束条件和目标函数。

实施例中，适用的设计变量γ用于表示固体或流体，设计变量γ其取值范围为0-1，γ＝1为流体，γ＝0为固体。

实施例中，适用的控制方程为连续性方程、动量方程、液体传热控制方程和固体传热控制方程：

其中，p是流体压力，ρ是密度，u是流体流速，

使用线性插值，将固体传热控制方程与流体传热控制方程结合在一起：

实施例中，适用的边界条件包括但不限于入口压力、入口速度、入口温度和发热量；本例中，边界条件为：入口冷却液温度T

实施例中，适用的约束条件包括流体域体积占比。

实施例中，适用的目标函数包括换热量最大化、平均温度最小化、压降最小化和液体流动能量耗散最小化，其中，可以是单目标优化，也可以是多目标优化；

换热量最大化作为目标函数，公式为：

式中Q是换热量，γ是设计变量，H是生热系数，T

同时，在进行冷却时希望液体流动消耗较小的能量，压降最小化作为目标函数，公式为：

式中J是压降，p是流体压力，ρ是密度，u是流体流速，Γ

使用容限加权法将两个目标组合成多目标优化问题中的目标函数，其表示如下：

W

式中α

目标函数最终表示为：

F＝-W

步骤S3，利用达西渗流模型及有理近似模型对材料物性进行插值，结合控制方程、边界条件、约束条件和目标函数建立拓扑优化数学模型。

实施例中，有理近似模型对导热系数k，密度ρ，恒压热容C进行插值：

其中，q为惩罚因子，在不同网格尺寸下选取不同，本实施例中网格最大尺寸为1.5mm，q＝0.01，下标s和f分别代表固体和液体；

逆渗透率α使用达西插值表示为设计变量γ的逆渗透率函数α(γ)，并将其加入纳维斯托克斯方程中：

式中，Da是达西数，μ是动力粘性，L是特征长度；

得到冷却流道优化的数学模型为：

∫γdΩ≤Vh；

式中,V是优化域面积，h是流体所占优化域面积分数；

同时求解当前迭代步下的速度场、压力场、温度场、单元密度信息，计算设计域平均温度，出入口速度，流体体积占比，求解每一优化迭代步下目标函数及各约束函数对设计变量γ的灵敏度值。

步骤S4，采用内点法求解器进行迭代优化更新设计变量，使用Helmholtz公式对流固边界进行过滤投影。

实施例中，使用内点法求解器求解优化模型，对流固边界的设计变量进行过滤，对流固边界处的设计变量进行双曲正切投影其公式可以表示为：

式中，γ

对流固边界处的设计变量进行双曲正切投影，其公式如下：

式中，γ

步骤S5，达到收敛条件后输出初步优化后的二维输出含中间密度单元材料分布图及温度梯度图。

实施例中，若目标函数及约束函数变化率在连续10个迭代步内低于10％则认为优化求解收敛，若优化不满足收敛条件，则重复步骤S4、步骤S5，若优化满足收敛条件，则输出二维温度梯度图像和含有中间密度单元的材料分布图像，输出含中间密度的单元液冷板二维图如图4所示，温度梯度图像如图5所示。

步骤S6，构建深度卷积网络模型，具体地包括。

步骤S61，训练数据集，通过不同的边界条件进行随机组合，使用拓扑优化事先得到训练所需要的数据集通过水平翻转、垂直翻转和90度旋转；在每个批次样本中，以一定概率随机应用这些变换，从而扩大数据集，图像先保存为NumPy专有的二进制文件格式，再保存为基于HDF5的数据存储格式，随机选取80％作为训练集，10％各作为验证集测试集。

步骤S62，构建全卷积神经网络；深度全卷积神经网络由编码器网络、解码器网络组成，如图6所示全卷积神经网络结构图。

其中，编码器由6个卷积层组成，每层使用3×3的卷积核和ReLU非线性激活函数。前两层具有16个卷积核，接着进行最大池化。接下来的两层具有32个卷积核，也进行最大池化，最后的块由两个具有64个卷积核的层组成。

解码器复制编码器部分的架构并进行反转，最大池化层被上采样层取代，并与相应低层级层次的特征进行连接，解码器后面是一个具有1个卷积核和sigmoid激活函数的卷积层，还包括2个Dropout层作为正则化手段。

步骤S63，通过训练集训练全卷积神经网络，使用损失函数评估模型性能，调整超参数，直至损失函数达到最小，得到优化后的模型；

训练模型过程中的损失函数定义为对数损失和体积损失的线性组合：

loss＝conf_loss+vol_coeff×vol_loss；

其中体积损失vol_loss使用均方差损失函数来表示：

对数损失conf_loss使用交叉熵损失函数来表示：

其中，

步骤S64，保存经过训练后的全卷积神经网络模型，用于下一步对初始迭代后的拓扑优化流道进行最终迭代预测。

步骤S7，将输出的二维含中间密度单元材料分布图及温度梯度图输入经过训练的全卷积神经网络模型中，经过全卷积神经网络的迭代后输出最终无中间密度单元材料分布图。

实施例中，输出的二维含中间密度单元材料分布图及温度梯度图先保存为NumPy专有的二进制文件格式，再保存为于基于HDF5的数据存储格式，经过训练的全卷积神经网络模型中，经过全卷积神经网络的迭代后输出最终无中间密度单元材料分布图，最终图像如图7所示。

步骤S8，根据最终无中间密度单元材料分布图，建立三维模型，对整个电池组进行仿真。

实施例中，将二维流道使用3D建模软件进行拉伸处理，建立三维流道模型，结合电池组建立完整电池模型，使用fluent对其进行仿真实验，在仿真过程中，发热为整体均匀发热，液冷板与电池组构成的三维模型如图8所示。

步骤S9，判断电池在放电过程中最高温度和压降是否符合允许的范围，若符合则冷板设计成功，不符合则修改拓扑优化参数，重复步骤S4到步骤S8直到符合要求，经过优化后的电池组表面最终温度云图如图9所示。

以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。