Physikbasierte KI liefert präzise Temperaturvorhersagen für Pouch‑Zellen

Die genaue Abschätzung der Temperatur in Pouch‑Zellen mit indirektem Flüssigkeitskühlung ist entscheidend für die Optimierung von Batteriesystemen im Transportbereich. Traditionelle Finite‑Elemente‑Simulationen sind dafür jedoch sehr rechenintensiv, während reine datengetriebene Modelle oft an Genauigkeit verlieren.

In der vorliegenden Studie wird ein physikinformiertes Machine‑Learning‑Framework (PIML) vorgestellt, das die Wärmeleitungsgleichungen direkt in die Verlustfunktion des neuronalen Netzes einbettet. Dadurch erreicht das Modell eine hohe Präzision bei deutlich schnellerer Konvergenz als bei rein datenbasierten Ansätzen.

Die Methode wurde an einem Datensatz mit unterschiedlichen Kühlkanalgeometrien getestet. Das PIML‑Modell konvergiert nicht nur schneller, sondern reduziert die mittlere quadratische Abweichung um 49,1 % im Vergleich zum reinen Datenmodell. Besonders in Bereichen, die weit von den Kühlkanälen entfernt liegen, zeigt es eine deutlich höhere Genauigkeit, was durch unabhängige Testfälle weiter bestätigt wurde.

Diese Ergebnisse unterstreichen das enorme Potenzial von PIML für die Entwicklung von Surrogatmodellen und die Optimierung von Designparametern in Batteriesystemen, wodurch sowohl die Effizienz als auch die Sicherheit von Elektrofahrzeugen verbessert werden können.