使用神经网络,猎优化器和salp群算法的液冷电池热管理系统的设计
Anjan Kumar1, Laith Hussein Jasim2, Padmanabha Vijaya3
1Department of electronics and communication engineering, GLA University, Mathura, 281406, India.
Scientific reports
|August 12, 2025
概括
本研究引入了一个AI框架,以优化液冷电池热管理系统 (TMS),提高热性能和设计权衡. 人工智能模型在预测更安全,更高效的电池运行关键性能指标方面取得了很高的准确性.
科学领域:
- 工程 工程师 工程师 工程师
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
背景情况:
- 缺乏统一的AI方法来设计电池热管理系统 (TMS).
- 需要方法平衡预测准确性和设计权衡.
- 在液冷离子电池TMS中优化热和液压性能的重要性.
研究的目的:
- 介绍一个基于人工智能的协同方法来优化电池TMS.
- 整合先进的智能技术,以提高热力和液压性能预测.
- 为解决TMS设计的统一人工智能方法的研究缺口.
主要方法:
- 第一个阶段:使用多层感知神经网络 (MLPNN) 的预测建模,通过猎优化器 (CO),灰狼优化器 (GWO) 和海洋捕食者算法 (MPA) 进行优化.
- 第二阶段:使用salp swarm算法 (MOSSA) 和多目标粒子群优化 (MOPSO) 的多目标优化.
- 第三阶段:使用VIKOR方法生成决策场景.
主要成果:
- 实现了非常高的预测准确度:CO-MLPNN (R>0.9999对于Tmax),GWO-MLPNN (R>0.9969对于ΔT,R>0.9999对于ΔP).
- 与MOSSA相比,MOPSO产生了更多的多样化和融合的帕雷托阵线.
- 确定了Tmax (32.3-38°C),ΔT (3.7-5.1°C) 和ΔP (15-50Pa) 的最佳解决方案,趋势有利于更高的质量流速和更长的通道.
结论:
- 拟议的AI框架显著提高了电池TMS设计的准确性和全面性.
- 该方法通过考虑利益相关者的优先事项,促进了强大的,特定于应用程序的设计策略.
- 这种方法通过对电池热管理的高效,适应性和智能工程决策来促进可持续性.
