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

第六章：AI技術(shù)與汽車熱管理《汽車熱管理系統(tǒng)仿真分析與實(shí)例解析

》導(dǎo)讀本章主要介紹AI技術(shù)理論、AI技術(shù)在汽車熱管理中的應(yīng)用場景及相關(guān)案例分析。1.6?AI技術(shù)理論1.6.1?流場預(yù)測前沿技術(shù)1、流形假設(shè)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(huì)失去太多信息。因此我們在做流場或者其他物理場預(yù)測任務(wù)時(shí)，可以先利用降維技術(shù)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(yù)測模型，即建立一個(gè)低維模型來近似原來復(fù)雜的高維問題。三維數(shù)值模擬的復(fù)雜度比較高，在實(shí)際應(yīng)用中一些高精度或者大規(guī)模的模擬，其網(wǎng)格數(shù)量可能達(dá)到百萬級甚至千萬級，流場解的維度更是網(wǎng)格維度的數(shù)倍。但在實(shí)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(gè)空間。這種現(xiàn)象被稱為“流形假設(shè)”。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(xué)習(xí)問題，或者轉(zhuǎn)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(shù)，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(yù)測模型，從而達(dá)到快速預(yù)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(qū)動(dòng)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(jīng)網(wǎng)絡(luò)：由于三維數(shù)值模擬的數(shù)據(jù)，尤其是在結(jié)構(gòu)化的笛卡爾網(wǎng)格下，其存儲(chǔ)結(jié)構(gòu)與圖像存儲(chǔ)非常類似，所以CNN技術(shù)在流場快速預(yù)測上也有很大的潛力。同時(shí)由于流場數(shù)據(jù)通常具有高維度和復(fù)雜的結(jié)構(gòu)特性，一般CNN還會(huì)和編碼解碼類型的網(wǎng)絡(luò)結(jié)構(gòu)一起使用：可以認(rèn)為通過encoder部分的卷積層對流場數(shù)據(jù)進(jìn)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(yù)測。1.6?AI技術(shù)理論1.6.1?流場預(yù)測前沿技術(shù)圖網(wǎng)絡(luò)技術(shù)：GCN（GraphConvolutionalNetwork，圖卷積網(wǎng)絡(luò)）通過對每個(gè)網(wǎng)格節(jié)點(diǎn)周圍的節(jié)點(diǎn)進(jìn)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(jìn)行最終的預(yù)測。相比于傳統(tǒng)的CNN，GCN更適合處理非結(jié)構(gòu)化數(shù)據(jù)，因?yàn)樗鼈兡軌蚋咝У靥幚砗屠霉?jié)點(diǎn)之間的拓?fù)溥B接關(guān)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(shí)依然能夠保持較好的預(yù)測效果。這對于三維模擬中變幾何、變網(wǎng)格等工況來說，優(yōu)于絕大部分傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型。1.6?AI技術(shù)理論1.6.1?流場預(yù)測前沿技術(shù)hop=1表示采樣與當(dāng)前節(jié)點(diǎn)直接相連的節(jié)點(diǎn)；hop=2表示采樣與當(dāng)前節(jié)點(diǎn)之間連接的邊數(shù)量小于2的節(jié)點(diǎn)1.6?AI技術(shù)理論1.6.1?流場預(yù)測前沿技術(shù)物理啟發(fā)式約束:物理啟發(fā)式網(wǎng)絡(luò)（Physics-InformedNeuralNetworks,PINNs），則將物理規(guī)律作為模型的先驗(yàn)約束嵌入到神經(jīng)網(wǎng)絡(luò)中去，在模型訓(xùn)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(jīng)網(wǎng)絡(luò)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(kuò)展性1.6?AI技術(shù)理論1.6.1?流場預(yù)測前沿技術(shù)電池?zé)岱抡妫含F(xiàn)有痛點(diǎn)電池包模組結(jié)構(gòu)復(fù)雜，模型處理困難；電池包網(wǎng)格量大，傳統(tǒng)的CFD方法進(jìn)行瞬態(tài)熱分析，計(jì)算量巨大；仿真工況多，需要進(jìn)行大量的仿真計(jì)算，對硬件的要求高，耗時(shí)長；傳統(tǒng)的CFD仿真不滿足實(shí)際應(yīng)用中對分析效率的要求，無法實(shí)現(xiàn)對整車熱管理策略的控制開發(fā)。電機(jī)熱仿真：現(xiàn)有方法優(yōu)缺點(diǎn)座艙熱仿真：現(xiàn)有痛點(diǎn)優(yōu)點(diǎn)：計(jì)算精度高，可以計(jì)算多節(jié)點(diǎn)溫度、可以考慮環(huán)境溫度影響；缺點(diǎn)：計(jì)算速度慢，需要輸入電磁損耗、機(jī)械損耗等信息，不能直接計(jì)算溫度及預(yù)測未來一段時(shí)間內(nèi)的溫度空調(diào)工況復(fù)雜，不同鼓風(fēng)機(jī)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(jì)算，計(jì)算資源要求高；性能仿真瞬態(tài)計(jì)算，耗時(shí)長

座艙熱仿真：現(xiàn)有痛點(diǎn)算精度難以滿足要求

計(jì)算復(fù)雜度高內(nèi)存消耗過高高效處理超大規(guī)模系統(tǒng)的熱分析。實(shí)時(shí)監(jiān)測與自適應(yīng)熱管理AI模型可以通過傳感器的輸入數(shù)據(jù)快速預(yù)測完整的電池包全場溫度，從而指導(dǎo)熱管理系統(tǒng)根據(jù)不同的工作條件動(dòng)態(tài)調(diào)整熱管理策略。例如，在檢測到電池包全場溫度較高時(shí)，系統(tǒng)可以自動(dòng)增大冷卻強(qiáng)度；而在溫度較低時(shí)，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(yù)測的完整電池包溫度場數(shù)據(jù)，可以對電池系統(tǒng)進(jìn)行異常檢測與故障診斷。相比于少量的獨(dú)立測點(diǎn)數(shù)據(jù)，利用較為完整的全場溫度結(jié)果，能夠更加高效地檢測電池系統(tǒng)中的異常溫升情況，預(yù)防熱失控事件。01021.6?AI技術(shù)理論1.6.2?技術(shù)在汽車熱管理中的應(yīng)用場景AI+電池?zé)岱抡妫簝?yōu)勢利用AI技術(shù)建立電池包溫度場的快速預(yù)測模型，可以輔助電池?zé)峁芾?，達(dá)到優(yōu)化熱管理策略的目的，實(shí)現(xiàn)較低的平均溫度和較為均勻的溫度分布，其具體應(yīng)用有以下方面。1.6?AI技術(shù)理論1.6.2?技術(shù)在汽車熱管理中的應(yīng)用場景AI+電機(jī)熱仿真：優(yōu)勢（1）快速設(shè)計(jì)與仿真優(yōu)化。AI技術(shù)利用機(jī)器學(xué)習(xí)算法，可以從大量的歷史仿真數(shù)據(jù)中學(xué)習(xí)電機(jī)設(shè)計(jì)參數(shù)、工況參數(shù)與電機(jī)散熱性能的映射關(guān)系。利用訓(xùn)練好的AI模型，可以對電機(jī)設(shè)計(jì)參數(shù)進(jìn)行快速的優(yōu)化，從而規(guī)避傳統(tǒng)CFD仿真計(jì)算速度慢、計(jì)算資源消耗大等弊端。（2）實(shí)時(shí)溫度監(jiān)測與未來趨勢預(yù)測。AI模型可以通過傳感器數(shù)據(jù)快速預(yù)測完整的電機(jī)溫度分布。同時(shí)，基于AI的時(shí)序降階模型可以預(yù)測未來一段時(shí)間內(nèi)的溫度場變化，從而更好地反饋到熱管理系統(tǒng)中，實(shí)現(xiàn)更加高效的電機(jī)溫度控制。（3）損傷預(yù)測和運(yùn)維管理。通過AI技術(shù)對電機(jī)運(yùn)行狀態(tài)的監(jiān)測和分析，可以進(jìn)行損傷預(yù)測和壽命預(yù)測，指導(dǎo)電機(jī)的維修和保養(yǎng)，確保電機(jī)在最佳狀態(tài)下運(yùn)行，延長其使用壽命。1.6?AI技術(shù)理論1.6.2?技術(shù)在汽車熱管理中的應(yīng)用場景AI+座艙熱仿真：優(yōu)勢（1）智能空調(diào)控制系統(tǒng)。AI技術(shù)可以根據(jù)座艙內(nèi)外的溫度、濕度、人員數(shù)量等參數(shù)，實(shí)時(shí)預(yù)測座艙內(nèi)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(dǎo)空調(diào)系統(tǒng)調(diào)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(dòng)態(tài)地調(diào)整鼓風(fēng)機(jī)擋位和制冷溫度，以適應(yīng)不同的環(huán)境條件和乘員需求，提高座艙的熱舒適性。（2）個(gè)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(shù)還可以通過乘員的反饋數(shù)據(jù)，分析乘員的偏好、乘車習(xí)慣等信息，為每位乘員提供個(gè)性化的熱舒適性體驗(yàn)，提高乘員滿意度。1.6?AI技術(shù)理論1.6.2?技術(shù)在汽車熱管理中的應(yīng)用場景AI+座艙熱仿真：優(yōu)勢（1）實(shí)時(shí)熱分析模型構(gòu)建。利用AI模型降階技術(shù)，通過大量的仿真數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，可以構(gòu)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(dāng)前狀態(tài)，快速預(yù)測芯片的溫度分布，尤其是在瞬態(tài)熱分析中，大大減少計(jì)算時(shí)間，大幅提升仿真效率。（2）優(yōu)化設(shè)計(jì)空間探索。傳統(tǒng)方法在進(jìn)行參數(shù)優(yōu)化時(shí)，需要進(jìn)行大量的CFD仿真和計(jì)算。利用響應(yīng)速度較快的AI降階模型，設(shè)計(jì)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(shí)間內(nèi)找到最優(yōu)的設(shè)計(jì)參數(shù)，從而有效地縮小設(shè)計(jì)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(dǎo)，還涉及電學(xué)和力學(xué)等多物理場的耦合。AI技術(shù)可以整合不同領(lǐng)域的數(shù)據(jù)，通過多物理場協(xié)同仿真模型，更準(zhǔn)確地預(yù)測芯片系統(tǒng)在復(fù)雜工作條件下的熱分布情況。1.6?AI技術(shù)理論1.6.3?技術(shù)在汽車熱管理中的應(yīng)用案例分析融入AI技術(shù)前后的仿真流程對比1.6?AI技術(shù)理論1.6.3?技術(shù)在汽車熱管理中的應(yīng)用案例分析采用穩(wěn)態(tài)不可壓物理模型進(jìn)行求解，湍流模型選用Standardk-esilon外加標(biāo)準(zhǔn)壁函數(shù)，計(jì)算域材料屬性為空氣。整個(gè)計(jì)算域包括2個(gè)假人模型，12個(gè)進(jìn)風(fēng)口，4個(gè)玻璃窗、1個(gè)天窗和一個(gè)擋風(fēng)玻璃。設(shè)計(jì)變量為進(jìn)風(fēng)口速度，樣本區(qū)間為0.1m/s到11m/s。1.6?AI技術(shù)理論1.6.3?技術(shù)在汽車熱管理中的應(yīng)用案例分析采用穩(wěn)態(tài)不可壓物理模型進(jìn)行求解，湍流模型選用Standardk-esilon外加標(biāo)準(zhǔn)壁函數(shù)，計(jì)算域材