一种基于强化学习算法的液冷板性能优化方法

本发明属于液冷板设计制造领域，具体公开了一种基于强化学习算法的液冷板性能优化方法。

背景技术：

1、现有一种用于电动汽车动力电池散热的液冷式冷板，通过其内部的冷却液流动将动力电池产生的热量带走，实现电池的散热过程。在散热问题中，我们主要关注的散热性能指标包括冷板散热器的热均匀性δt、冷板表面最高温tmax和压降δp。其中，热均匀性δt以及冷板表面最高温tmax从不同角度反映了液冷板的散热性能，而压降δp则反映了满足一定散热性能所需的功耗水平。相关研究表明冷板的设计参数(几何结构、工作条件等)对于散热性能有较大的影响，通过对冷板设计参数的优化设计，可以找到一种散热冷板可以满足在消耗尽量低的功率的同时具有较好的散热性能。然而，使用数值模拟方法求解并通过现有优化算法对其设计参数的寻优过程存在一定的局限性，主要体现在以下三点：1.计算成本较大，批量计算需要在高性能数值模拟服务器上进行。2.消耗时间较长，数值求解的全过程通常需要较长时间。3.现有优化方法仅能对某一种特定问题进行单次优化，无法利用已有的优化经验处理下一次类似但不相同的优化问题。

技术实现思路

1、为了解决上述问题，本发明公开了一种基于强化学习算法的液冷板性能优化方法。

2、本发明的技术方案如下：

3、一种基于强化学习算法的液冷板性能优化方法，包括以下步骤：

4、1)数值模拟模型的建立及数据生成；

5、2)代理模型的训练；

6、3)强化学习寻优；

7、4)优化结果验证。

8、进一步的，上述一种基于强化学习算法的液冷板性能优化方法，所述步骤1)中具体包括以下步骤：

9、a)进行灵敏度分析，确定对散热性能影响大的液冷板几何参数；

10、b)在液冷板拓扑结构轮廓的限制内，使用参数化建模方法建立几何尺寸间相互关联制约的液冷板的参数化几何模型；

11、c)针对参数化几何模型批量生成对应网格、进行参数化数值模拟求解，生成数据集。

12、进一步的，上述一种基于强化学习算法的液冷板性能优化方法，所述步骤b)中的参数化几何模型具有以下特征：在更改待优化的几何参数后，冷板的其他结构参数也会相应做出改变。

13、进一步的，上述一种基于强化学习算法的液冷板性能优化方法，所述步骤c)中的数据集包含液冷板在不同设计参数下所对应的散热性能指标:热均匀性δt、冷板表面最高温tmax和压降δp。

14、进一步的，上述一种基于强化学习算法的液冷板性能优化方法，所述2)代理模型的训练的具体包括以下步骤：

15、i.对步骤1)获得的数据集进行归一化操作后，按照一定的比例划分数据，分别充当训练集，验证集与测试集；

16、ii将上述数据集导入到基于pso优化的bp神经网络中训练，当网络在测试集上的预测的相对误差error＝(ypredict-ytrue)/ytrue)*100％不满足要求时，即神经网络预测误差＞2％，修改网络超参数或增加设计点后继续训练；直至神经网络预测误差≤2％时，得到代理模型。

17、进一步的，上述一种基于强化学习算法的液冷板性能优化方法，所述步骤3)具体包括以下步骤：

18、编写强化学习环境描述此优化问题，应用强化学习优化方法来对其设计参数进行寻优，在不改变其轮廓尺寸的基础上，通过优化其设计参数来优化散热性能指标、降低功耗。

19、进一步的，上述一种基于强化学习算法的液冷板性能优化方法，所述步骤4)具体包括以下步骤：将优化后的结果使用数值模拟方法进行求解，将数值模拟方法得到的性能参数结果与优化后得到的性能参数结果对比，若其误差在可接受范围内，则证明该优化方法具有一定的可信度。

20、进一步的，上述一种基于强化学习算法的液冷板性能优化方法，包括以下步骤：

21、1)模型的建立及数据生成：

22、a)进行灵敏度分析，确定对散热性能影响大的液冷板几何参数；

23、b)在液冷板拓扑结构轮廓的限制内，使用参数化建模方法建立几何尺寸间相互关联制约的液冷板的参数化几何模型；

24、c)针对参数化几何模型批量生成对应网格、进行参数化数值模拟求解，生成数据集；

25、2)代理模型的训练：

26、i.对步骤1)获得的数据集进行归一化操作后，按照一定的比例划分数据，分别充当训练集，验证集与测试集；

27、ii将上述数据集导入到基于pso优化的bp神经网络中训练，当网络在测试集上的预测的相对误差error＝(ypredict-ytrue)/ytrue)*100％不满足要求时，即神经网络预测误差＞2％，修改网络超参数或增加设计点后继续训练；直至神经网络预测误差≤2％时，得到代理模型；

28、3)强化学习寻优：

29、编写强化学习环境描述此优化问题，应用强化学习优化方法来对其设计参数进行寻优，在不改变其轮廓尺寸的基础上，通过优化其设计参数来优化散热性能指标、降低功耗；

30、4)优化结果验证；

31、将优化后的结果使用数值模拟方法进行求解，将数值模拟方法得到的性能参数结果与优化后得到的性能参数结果对比，若其误差在可接受范围内，则证明该优化方法具有一定的可信度。

32、另一方面，本发明还公开了，由上述基于强化学习算法的液冷板性能优化方法制备获得的液冷板。

33、另一方面，本发明还公开了上述优化方法在制备用于电池的液冷式散热冷板中的应用。

34、相比现有技术，本发明具有如下有益效果:本发明公开了一种基于强化学习算法的液冷板性能优化方法，可以降低计算的耗时，缩减时间成本；此外，使用强化学习优化方法，可以自动寻找在一定范围内满足性能要求的最优参数。并且强化学习优化方法具有较强的泛化能力，能够将某一种结构已有的优化经验延续至下一个优化任务中，减少优化时间，提高学习效率。本发明专利将强化学习优化方法应用于液冷板性能优化问题，以得到一组冷板设计参数(热均匀性δt、冷板表面最高温tmax和压降δp)使液冷板具有最优的散热性能，适合应用于电池的散热，尤其适用于电动汽车动力电池散热中。

技术特征：

1.一种基于强化学习算法的液冷板性能优化方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于强化学习算法的液冷板性能优化方法，其特征在于，所述步骤1)中具体包括以下步骤：

3.根据权利要求2所述的一种基于强化学习算法的液冷板性能优化方法，其特征在于，所述步骤b)中的参数化几何模型具有以下特征：在更改待优化的几何参数后，冷板的其他结构参数也会相应做出改变。

4.根据权利要求2所述的一种基于强化学习算法的液冷板性能优化方法，其特征在于，所述步骤c)中的数据集包含液冷板在不同设计参数下所对应的散热性能指标:热均匀性δt、冷板表面最高温tmax和压降δp等。

5.根据权利要求1所述的一种基于强化学习算法的液冷板性能优化方法，其特征在于，所述2)代理模型的训练的具体包括以下步骤：

6.根据权利要求1所述的一种基于强化学习算法的液冷板性能优化方法，其特征在于，所述步骤3)具体包括以下步骤：

7.根据权利要求1所述的一种基于强化学习算法的液冷板性能优化方法，其特征在于，所述步骤4)具体包括以下步骤：将优化后的结果使用数值模拟方法进行求解，将数值模拟方法得到的性能参数结果与优化后得到的性能参数结果对比，若其误差在可接受范围内，则证明该优化方法具有一定的可信度。

8.根据权利要求1所述的一种基于强化学习算法的液冷板性能优化方法，其特征在于，包括以下步骤：

9.如权利要求1-8任一项所述的优化方法制备获得的液冷板。

10.如权利要求1-8任一项所述的优化方法在制备用于电池的液冷式散热冷板中的应用。

技术总结
本发明属于液冷板设计制造领域，具体公开了一种基于强化学习算法的液冷板性能优化方法，包括以下步骤：1)数值模拟模型的建立及数据生成；2)代理模型的训练；3)强化学习寻优；4)优化结果验证。本优化方法可以降低计算的耗时，缩减时间成本；此外，使用强化学习优化方法，可以自动寻找在一定范围内满足性能要求的最优参数。并且强化学习优化方法具有较强的泛化能力，能够将某一种结构已有的优化经验延续至下一个优化任务中，减少优化时间，提高学习效率。本发明将强化学习优化方法应用于液冷板性能优化问题，以得到一组冷板设计参数用于液冷板的设计和改进，使液冷板具有最优的散热性能，适合应用于电池散热中。

技术研发人员：张永昌,阿古拉,张强,王淼
受保护的技术使用者：内蒙古大学
技术研发日：
技术公布日：2024/2/6