汽車熱管理系統(tǒng)仿真分析與實例解析 課件 06 AI 技術與汽車熱管理

第六章：AI技術與汽車熱管理《汽車熱管理系統(tǒng)仿真分析與實例解析

》導讀本章主要介紹AI技術理論、AI技術在汽車熱管理中的應用場景及相關案例分析。1.6?AI技術理論1.6.1?流場預測前沿技術1、流形假設的意義：我們可以用較低維度的數(shù)據(jù)來表示高維數(shù)據(jù)，而不會失去太多信息。因此我們在做流場或者其他物理場預測任務時，可以先利用降維技術將高維數(shù)據(jù)映射到低維的流形子空間上，再利用其低維表示來建立流場預測模型，即建立一個低維模型來近似原來復雜的高維問題。三維數(shù)值模擬的復雜度比較高，在實際應用中一些高精度或者大規(guī)模的模擬，其網格數(shù)量可能達到百萬級甚至千萬級，流場解的維度更是網格維度的數(shù)倍。但在實際問題中，這些高維數(shù)據(jù)往往都存在于某些低維流形上；也就是說，它們可能只是高維空間中的一部分，并不占據(jù)整個空間。這種現(xiàn)象被稱為“流形假設”。2、高維數(shù)據(jù)降維：通常來說，降維問題都可以看作是一類特征學習問題，或者轉化為優(yōu)化問題。具體來說，即根據(jù)一系列高維數(shù)據(jù)，找到一組最優(yōu)的低維子空間，使其最大程度地保留原高維數(shù)據(jù)的信息。3、模型降階：通過高效的降維技術，我們可以將原來高維的流場數(shù)據(jù)投影到低維的線性或者非線性空間，然后在低維空間建立輕量化的預測模型，從而達到快速預測的目的。一般來說，這種輕量化的模型可以通過將物理控制方程投影到低維流形上獲得，也可以通過數(shù)據(jù)驅動的方式在低維流形上直接建立啟發(fā)式的模型。前者由于其清晰的物理意義，在傳統(tǒng)流場降階模型中被廣泛采用。卷積神經網絡：由于三維數(shù)值模擬的數(shù)據(jù)，尤其是在結構化的笛卡爾網格下，其存儲結構與圖像存儲非常類似，所以CNN技術在流場快速預測上也有很大的潛力。同時由于流場數(shù)據(jù)通常具有高維度和復雜的結構特性，一般CNN還會和編碼解碼類型的網絡結構一起使用：可以認為通過encoder部分的卷積層對流場數(shù)據(jù)進行特征提取和下采樣，然后再通過decoder部分的反卷積層將這些特征上采樣并解碼為流場預測。1.6?AI技術理論1.6.1?流場預測前沿技術圖網絡技術：GCN（GraphConvolutionalNetwork，圖卷積網絡）通過對每個網格節(jié)點周圍的節(jié)點進行卷積操作，從而提取出局部的特征信息，并將這些特征信息傳遞到全局進行最終的預測。相比于傳統(tǒng)的CNN，GCN更適合處理非結構化數(shù)據(jù)，因為它們能夠高效地處理和利用節(jié)點之間的拓撲連接關系。此外，GCN對于輸入輸出的維度沒有要求，在它們的維度改變時依然能夠保持較好的預測效果。這對于三維模擬中變幾何、變網格等工況來說，優(yōu)于絕大部分傳統(tǒng)的神經網絡模型。1.6?AI技術理論1.6.1?流場預測前沿技術hop=1表示采樣與當前節(jié)點直接相連的節(jié)點；hop=2表示采樣與當前節(jié)點之間連接的邊數(shù)量小于2的節(jié)點1.6?AI技術理論1.6.1?流場預測前沿技術物理啟發(fā)式約束:物理啟發(fā)式網絡（Physics-InformedNeuralNetworks,PINNs），則將物理規(guī)律作為模型的先驗約束嵌入到神經網絡中去，在模型訓練的過程中保持物理規(guī)律的一致性，從而提高模型的性能。PINN類型的神經網絡還可以將其他物理信息，如邊界條件、初始條件等一系列信息引入，具有非常高的靈活性和可擴展性1.6?AI技術理論1.6.1?流場預測前沿技術電池熱仿真：現(xiàn)有痛點電池包模組結構復雜，模型處理困難；電池包網格量大，傳統(tǒng)的CFD方法進行瞬態(tài)熱分析，計算量巨大；仿真工況多，需要進行大量的仿真計算，對硬件的要求高，耗時長；傳統(tǒng)的CFD仿真不滿足實際應用中對分析效率的要求，無法實現(xiàn)對整車熱管理策略的控制開發(fā)。電機熱仿真：現(xiàn)有方法優(yōu)缺點座艙熱仿真：現(xiàn)有痛點優(yōu)點：計算精度高，可以計算多節(jié)點溫度、可以考慮環(huán)境溫度影響；缺點：計算速度慢，需要輸入電磁損耗、機械損耗等信息，不能直接計算溫度及預測未來一段時間內的溫度空調工況復雜，不同鼓風機檔位，不同制冷溫度

環(huán)境條件多變，高溫、低溫、濕度差異等；輻射模型計算，計算資源要求高；性能仿真瞬態(tài)計算，耗時長

座艙熱仿真：現(xiàn)有痛點算精度難以滿足要求

計算復雜度高內存消耗過高高效處理超大規(guī)模系統(tǒng)的熱分析。實時監(jiān)測與自適應熱管理AI模型可以通過傳感器的輸入數(shù)據(jù)快速預測完整的電池包全場溫度，從而指導熱管理系統(tǒng)根據(jù)不同的工作條件動態(tài)調整熱管理策略。例如，在檢測到電池包全場溫度較高時，系統(tǒng)可以自動增大冷卻強度；而在溫度較低時，系統(tǒng)可以減小冷卻功率以節(jié)省能源。異常檢測與故障診斷利用AI模型預測的完整電池包溫度場數(shù)據(jù)，可以對電池系統(tǒng)進行異常檢測與故障診斷。相比于少量的獨立測點數(shù)據(jù)，利用較為完整的全場溫度結果，能夠更加高效地檢測電池系統(tǒng)中的異常溫升情況，預防熱失控事件。01021.6?AI技術理論1.6.2?技術在汽車熱管理中的應用場景AI+電池熱仿真：優(yōu)勢利用AI技術建立電池包溫度場的快速預測模型，可以輔助電池熱管理，達到優(yōu)化熱管理策略的目的，實現(xiàn)較低的平均溫度和較為均勻的溫度分布，其具體應用有以下方面。1.6?AI技術理論1.6.2?技術在汽車熱管理中的應用場景AI+電機熱仿真：優(yōu)勢（1）快速設計與仿真優(yōu)化。AI技術利用機器學習算法，可以從大量的歷史仿真數(shù)據(jù)中學習電機設計參數(shù)、工況參數(shù)與電機散熱性能的映射關系。利用訓練好的AI模型，可以對電機設計參數(shù)進行快速的優(yōu)化，從而規(guī)避傳統(tǒng)CFD仿真計算速度慢、計算資源消耗大等弊端。（2）實時溫度監(jiān)測與未來趨勢預測。AI模型可以通過傳感器數(shù)據(jù)快速預測完整的電機溫度分布。同時，基于AI的時序降階模型可以預測未來一段時間內的溫度場變化，從而更好地反饋到熱管理系統(tǒng)中，實現(xiàn)更加高效的電機溫度控制。（3）損傷預測和運維管理。通過AI技術對電機運行狀態(tài)的監(jiān)測和分析，可以進行損傷預測和壽命預測，指導電機的維修和保養(yǎng)，確保電機在最佳狀態(tài)下運行，延長其使用壽命。1.6?AI技術理論1.6.2?技術在汽車熱管理中的應用場景AI+座艙熱仿真：優(yōu)勢（1）智能空調控制系統(tǒng)。AI技術可以根據(jù)座艙內外的溫度、濕度、人員數(shù)量等參數(shù)，實時預測座艙內部的空氣溫度、濕度及人體表面的溫度分布。完整的溫度分布數(shù)據(jù)能夠指導空調系統(tǒng)調整工作狀態(tài)，以提供最佳的熱舒適性。這種智能控制系統(tǒng)可以動態(tài)地調整鼓風機擋位和制冷溫度，以適應不同的環(huán)境條件和乘員需求，提高座艙的熱舒適性。（2）個性化熱舒適性定制。由于座艙熱舒適性還涉及乘員的主觀感受，所以利用AI技術還可以通過乘員的反饋數(shù)據(jù)，分析乘員的偏好、乘車習慣等信息，為每位乘員提供個性化的熱舒適性體驗，提高乘員滿意度。1.6?AI技術理論1.6.2?技術在汽車熱管理中的應用場景AI+座艙熱仿真：優(yōu)勢（1）實時熱分析模型構建。利用AI模型降階技術，通過大量的仿真數(shù)據(jù)訓練神經網絡模型，可以構建高精度的電控系統(tǒng)熱仿真模型。這些模型可以根據(jù)工況條件以及芯片當前狀態(tài)，快速預測芯片的溫度分布，尤其是在瞬態(tài)熱分析中，大大減少計算時間，大幅提升仿真效率。（2）優(yōu)化設計空間探索。傳統(tǒng)方法在進行參數(shù)優(yōu)化時，需要進行大量的CFD仿真和計算。利用響應速度較快的AI降階模型，設計工程師可以通過智能優(yōu)化算法，如遺傳算法、貝葉斯優(yōu)化算法等，在更短時間內找到最優(yōu)的設計參數(shù)，從而有效地縮小設計空間，提高優(yōu)化效率。（3）多物理場協(xié)同仿真。集成電路的熱分析不僅涉及熱傳導，還涉及電學和力學等多物理場的耦合。AI技術可以整合不同領域的數(shù)據(jù)，通過多物理場協(xié)同仿真模型，更準確地預測芯片系統(tǒng)在復雜工作條件下的熱分布情況。1.6?AI技術理論1.6.3?技術在汽車熱管理中的應用案例分析融入AI技術前后的仿真流程對比1.6?AI技術理論1.6.3?技術在汽車熱管理中的應用案例分析采用穩(wěn)態(tài)不可壓物理模型進行求解，湍流模型選用Standardk-esilon外加標準壁函數(shù)，計算域材料屬性為空氣。整個計算域包括2個假人模型，12個進風口，4個玻璃窗、1個天窗和一個擋風玻璃。設計變量為進風口速度，樣本區(qū)間為0.1m/s到11m/s。1.6?AI技術理論1.6.3?技術在汽車熱管理中的應用案例分析采用穩(wěn)態(tài)不可壓物理模型進行求解，湍流模型選用Standardk-esilon外加標準壁函數(shù)，計算域材