汽车热管理系统仿真分析与实例解析 课件 06 AI 技术与汽车热管理.pptx

第六章：AI技术与汽车热管理《汽车热管理系统仿真分析与实例解析》

导读本章主要介绍AI技术理论、AI技术在汽车热管理中的应用场景及相关案例分析。

1.6?AI技术理论1.6.1?流场预测前沿技术1、流形假设的意义：我们可以用较低维度的数据来表示高维数据，而不会失去太多信息。因此我们在做流场或者其他物理场预测任务时，可以先利用降维技术将高维数据映射到低维的流形子空间上，再利用其低维表示来建立流场预测模型，即建立一个低维模型来近似原来复杂的高维问题。三维数值模拟的复杂度比较高，在实际应用中一些高精度或者大规模的模拟，其网格数量可能达到百万级甚至千万级，流场解的维度更是网格维度的数倍。但在实际问题中，这些高维数据往往都存在于某些低维流形上；也就是说，它们可能只是高维空间中的一部分，并不占据整个空间。这种现象被称为“流形假设”。2、高维数据降维：通常来说，降维问题都可以看作是一类特征学习问题，或者转化为优化问题。具体来说，即根据一系列高维数据，找到一组最优的低维子空间，使其最大程度地保留原高维数据的信息。3、模型降阶：通过高效的降维技术，我们可以将原来高维的流场数据投影到低维的线性或者非线性空间，然后在低维空间建立轻量化的预测模型，从而达到快速预测的目的。一般来说，这种轻量化的模型可以通过将物理控制方程投影到低维流形上获得，也可以通过数据驱动的方式在低维流形上直接建立启发式的模型。前者由于其清晰的物理意义，在传统流场降阶模型中被广泛采用。

卷积神经网络：由于三维数值模拟的数据，尤其是在结构化的笛卡尔网格下，其存储结构与图像存储非常类似，所以CNN技术在流场快速预测上也有很大的潜力。同时由于流场数据通常具有高维度和复杂的结构特性，一般CNN还会和编码解码类型的网络结构一起使用：可以认为通过encoder部分的卷积层对流场数据进行特征提取和下采样，然后再通过decoder部分的反卷积层将这些特征上采样并解码为流场预测。1.6?AI技术理论1.6.1?流场预测前沿技术

图网络技术：GCN（GraphConvolutionalNetwork，图卷积网络）通过对每个网格节点周围的节点进行卷积操作，从而提取出局部的特征信息，并将这些特征信息传递到全局进行最终的预测。相比于传统的CNN，GCN更适合处理非结构化数据，因为它们能够高效地处理和利用节点之间的拓扑连接关系。此外，GCN对于输入输出的维度没有要求，在它们的维度改变时依然能够保持较好的预测效果。这对于三维模拟中变几何、变网格等工况来说，优于绝大部分传统的神经网络模型。1.6?AI技术理论1.6.1?流场预测前沿技术hop=1表示采样与当前节点直接相连的节点；hop=2表示采样与当前节点之间连接的边数量小于2的节点

1.6?AI技术理论1.6.1?流场预测前沿技术物理启发式约束:物理启发式网络（Physics-InformedNeuralNetworks,PINNs），则将物理规律作为模型的先验约束嵌入到神经网络中去，在模型训练的过程中保持物理规律的一致性，从而提高模型的性能。PINN类型的神经网络还可以将其他物理信息，如边界条件、初始条件等一系列信息引入，具有非常高的灵活性和可扩展性

1.6?AI技术理论1.6.1?流场预测前沿技术电池热仿真：现有痛点电池包模组结构复杂，模型处理困难；电池包网格量大，传统的CFD方法进行瞬态热分析，计算量巨大；仿真工况多，需要进行大量的仿真计算，对硬件的要求高，耗时长；传统的CFD仿真不满足实际应用中对分析效率的要求，无法实现对整车热管理策略的控制开发。电机热仿真：现有方法优缺点座舱热仿真：现有痛点优点：计算精度高，可以计算多节点温度、可以考虑环境温度影响；缺点：计算速度慢，需要输入电磁损耗、机械损耗等信息，不能直接计算温度及预测未来一段时间内的温度空调工况复杂，不同鼓风机档位，不同制冷温度环境条件多变，高温、低温、湿度差异等；辐射模型计算，计算资源要求高；性能仿真瞬态计算，耗时长座舱热仿真：现有痛点算精度难以满足要求计算复杂度高内存消耗过高高效处理超大规模系统的热分析。

实时监测与自适应热管理AI模型可以通过传感器的输入数据快速预测完整的电池包全场温度，从而指导热管理系统根据不同的工作条件动态调整热管理策略。例如，在检测到电池包全场温度较高时，系统可以自动增大冷却强度；而在温度较低时，系统可以减小冷却功率以节省能源。异常检测与故障诊断利用AI模型预测的完整电池包温度场数据，可以对电池系统进行异常检测与故障诊断。相比于少量的独立测点数据，利用较为完整的全场温度结果，能够更加高效地检测电池系统中的异常温升情况，预防热失控事件。