快速導覽

前言
車用水冷散熱器的設計挑戰與關鍵參數
physicsAI在水冷散熱器設計中的應用
physicsAI預測結果與未來展望
結論

2024 RTC 講者: 鴻海精密陳奇劭主任工程師

前言

車用水冷散熱器（Automotive Liquid-Cooled Radiator）是電動車（EV, Electric Vehicle）熱管理系統中至關重要的元件。隨著電動車控制器架構的不斷升級，例如 MPU（Microprocessor Unit）為核心的中央閘道（Central Gateway, CCU）、MCU（Microcontroller Unit）為基礎的區域控制器（Zone Controller, ZCU）、以及 SoC（System on Chip）為核心的集中式ADAS（Advanced Driver Assistance Systems）與IVI（In-Vehicle Infotainment）HPC（High-Performance Computing），對散熱性能的需求也逐步提高。
本專案運用physicsAI進行EV水冷散熱器性能之預測。AI訓練僅需數小時即可完成，與傳統CAE模擬相比，AI預測時間從30分鐘縮短至10秒。

車用水冷散熱器的設計挑戰與關鍵參數

EV控制器的散熱需求

隨著電動車功能的增強，晶片功耗逐漸提高，熱負載成為設計中的關鍵挑戰。
主要包括晶片瓦數（Chip Power,）、環境溫度（Ambient Temperature）、以及水冷液的溫度與流速（Coolant Temperature and Flow Rate）。

設計中的關鍵參數

散熱面積（Heat Dissipation Area）直接影響散熱能力，設計需考慮表面積的最大化。
流場狀態（Flow Field State）包括流速分佈與湍流程度，是優化散熱器設計的核心。

PIN/FIN設計對性能的影響

傳統圓形Pin（Pin Fin）設計具有散熱效率高與壓降高的特性，但製造過程複雜。
透過優化導流設計，可在提升散熱能力的同時降低壓降。

physicsAI在水冷散熱器設計中的應用

快速生成訓練素材

利用 SimLab 批次建模技術，快速產生大量高質量設計素材。
每個訓練素材不必完全符合最佳設計，反而通過涵蓋不同情境提升模型泛化能力。(如圖一)

圖一、生成訓練素材流程圖(來源：鴻海精密工業股份有限公司)

深度學習參數調整

使用預設訓練參數包括 Epochs（1500）、Batch Size（1）、Learning Rate（0.001）、Width（30）、Depth（3）即可。
對於 Batch Size 設置為 1 的情況，可採用較低的學習率（Learning Rate）以避免接近收斂時的震盪。(如圖二)

圖二、深度學習參數比較(來源：鴻海精密工業股份有限公司)

AI性能預測的效率與準確性

physicsAI的訓練過程在PC級GPU（例如 NVIDIA RTX 4090）支持下大幅提速，單個物理量的訓練成本僅需數小時。
與傳統“CAE建模+求解”相比，AI預測時間從30分鐘縮短至10秒。(如圖三)

圖三、傳統有限元素分析 vs physicsAI預測 (來源：鴻海精密工業股份有限公司)

physicsAI預測結果與未來展望

預測結果與泛化能力

physicsAI在預測準確性方面表現出色，其平均絕對誤差（Mean Absolute Error）僅為 47.7 或 6.74E-3，顯示其對物理量的高精度預測能力。
經過充分訓練的模型，泛化能力達到 90% 以上，能應對多樣化的設計場景。

AI在設計流程中的效率提升

AI技術的引入，將水冷散熱器設計流程的效率提升數百倍。相比於傳統方法，設計與性能預測的整合使得工程師能專注於創新與優化。

未來方向：從預測到最佳化

基於快速預測能力，未來將結合 DOE（Design of Experiment）方法，實現自動化與智能化的設計優化。

結論

physicsAI技術成功解決了車用水冷散熱器設計中的多重挑戰，其快速預測與高準確性顯著提升了設計效率。同時，結合 SimLab 建模與深度學習（Deep Learning）技術，physicsAI展現了非凡的泛化能力與應用潛力。
未來，physicsAI將與設計最佳化技術深度融合，為工程設計帶來更多可能性，推動熱管理技術的進一步發展。

瑞其科技是＂CAE與AI數據分析的專家＂，我們完成了許多成功的案例實績。

▶ 現在就聯絡我們，取得更多資訊。
▶ 訂閱瑞其Youtube頻道，探索更多CAE與數據分析。

返回列表

若同意本網站之隱私權政策，請點選「CONFIRM」，若繼續閱覽本網站內容，即表示您同意我們使用 cookies 分析技術，更多資訊請瀏覽隱私權聲明。

CONFIRM