Data-driven optimization of nano-PCM arrangements for battery thermal management based on Lattice Boltzmann simulation
Notice bibliographique
Résumé
An efficient Battery Thermal Management System (BTMS) is vital for maximizing electric vehicle effectiveness and extending service life, essential for sustainable transportation. This study proposes a novel non-uniform nano-PCM distribution strategy within BTMS to tackle battery overheating challenges and further proposes a multi-objective optimization framework combining Back Propagation Neural Networks (BPNN) and Genetic Algorithm (GA) to achieve optimal design solutions for BTMS. Optimization data is derived from the well-validated Lattice Boltzmann Method (LBM) results across 343 cases. Initial evaluations show that a negative gradient distributed nano-PCM (Type 2) improves melting rate, heat dissipation power, and temperature uniformity by 4.67%, 4.87%, 19%, and 7.0%, respectively. The BPNN-GA optimization framework satisfactorily correlates nanoparticle distribution with four evaluation metrics, achieving R 2 values from 0.9469 to 0.9987. Optimization improves melting rate, heat dissipation power, and regional and inter-regional temperature uniformity by 9.13%, 9.94%, 7.77%, and 29.73%, respectively. The BPNN-GA also demonstrates reasonable generalizability for the other two practical case scenarios with improvements in certain criteria up to 49.19%. This study highlights the potential of uneven nano-PCM configurations and the efficiency of the LBM-BPNN-GA framework in achieving superior thermal management for BTMS, which is expected to provide insights for future BTMS designs and implementations. • A novel non-uniform distributed Nano-PCM configuration with BTMS is proposed. • Cooling performance of Nano-PCM is assessed via LBM studies across 343 cases. • A novel multi-objective optimization framework using BPNN and GA is proposed. • A negatively gradient-distributed Nano-PCM shows superior cooling performance. • BPNN-GA framework successfully improved multiple evaluation met-rics up to 29.73%.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».