Investigation of Heat Transfer Enhancement Techniques on a Scalable Novel Hybrid Thermal Management Strategy for Lithium-Ion Battery Packs
Notice bibliographique
Résumé
This paper introduces a novel hybrid thermal management strategy, which uses secondary coolants (air and fluid) to extract heat from a phase change material (paraffin), resulting in an increase in the phase change material’s heat extraction capability and the battery module’s overall thermal performance. A novel cold plate design is developed and placed between the rows and columns of the cells. The cold plate contains a single fluid body to improve the thermal performance of the battery module. Experimental studies were conducted to obtain the temperature and heat flux profiles of the battery module. Moreover, a numerical model is developed and validated using the experimental data obtained. The numerical data stayed within ±2% of the experimental data. In addition, the ability of nanoparticles to increase the thermal conductivity of water is examined and it is found that the cooling from the liquid cooling component is not sensitive enough to capture the 0.32 W/m K increase in the thermal conductivity of the fluid. Furthermore, in order to enhance the air cooling, fins were added within the air duct to the cold plate. However, this is not feasible, as the pressure drop through the addition of the fins increased by ~245%, whereas the maximum temperature of the battery module reduced by only 0.6 K. Finally, when scaled up to an entire battery pack at a high discharge rate of 7 C, the numerical results showed that the overall temperature uniformity across the pack was 1.14 K, with a maximum temperature of 302.6 K, which was within the optimal operating temperature and uniformity ranges. Therefore, the developed thermal management strategy eliminates the requirement of a pump and reservoir and can be scaled up or down according to the energy and power requirements.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».