本研究探讨了TESLA AUTOPILOT HW2.5 MODEL 3 Y的液压和热特性，该系统采用双面冷板，电路板分别安装在冷板两侧。我们展示了该单元的逐步拆解过程，测量了内部尺寸、散热鳍片位置、进/出水口、支座及冷板通道。基于这些数据，我们构建了一个3D数值模型，用以分析该冷板的水力和热性能。
我们进行了实验，测量冷板的液压压降，并在不同冷却液流速和功率负载下评估热性能。这些结果被用于验证CFD模型。模拟中的热负载与流速与实验条件一致。水压损失及特定位置的温度结果与实测数据高度吻合。验证后的CFD模型随后用于研究冷板在多种工况下的热特性，并用于优化冷板设计。
此外，研究还开发了一个冷板组件的人工神经网络（ANN）模型，用于在广泛工况下分析系统性能。结果表明该神经网络模型可以用于确定冷板的性能极限。
引言
本文详细说明了拆解过程与用于验证模拟的实验设置。
人工智能（AI）与机器学习（ML）在过去十年中在科学与公众讨论中逐渐受到重视。机器学习算法通过部分数据学习输入变量与输出结果间的预测关系。ANN是ML的一个分支，它通过示例数据学习并建立加权概率关系，存储于模型内部结构中。
本文提出了一个冷板组件的人工神经网络，用于研究系统在不同参数组合下的性能表现。
▌特斯拉自动驾驶模块拆解
图1：自动驾驶模块由铝制外壳封装，前端连接有冷板过渡组件。
首先，拆除了连接冷却软管（图2）的冷板过渡组件。软管是冷却回路的关键部分，允许冷却液进出冷板。
图2：显示了软管与组件的连接点，清晰呈现冷却液在系统内的流动路径。
随后，拆除了铝壳的上下盖板。
图3：冷板为核心结构，电路板（PCBs）牢固安装在其两侧。
图4：展示了PCB上的主要元件，包括四个高功耗GPU或处理器，优化布局以实现最佳热管理。此外，还有各种辅助电子元件与连接器，用于支持信号与电源管理。
图5：去除导热膏后的冷板图像，内含散热鳍片通道以提升换热能力。冷板上有四个抛光支座，用于贴合四颗主要芯片，编号为A、B、C、D，便于文中引用。
图6：拆解后的冷板被精确测量内部结构尺寸，用于创建CAD模型。
▌实验设置
我们开展了一系列实验，以测量冷板的液压压降，并评估在不同冷却液流速与功率负载下的热性能。为测试，我们拆解了第二个自动驾驶单元，在冷板上安装代表四颗芯片的加热器和热电偶。实验中使用50/50乙二醇-水冷却液，符合原始设计规格，保证实验贴近真实工况。
记录了每个加热器下方支座的温度、冷板压降以及液体温度。四个加热器施加统一功率。
加热器由可变电源驱动，以设定的功率水平加热冷板，对应GPU和处理器的安装位置。
图7：展示了热电偶与加热器安装位置（正面视图）。
加热器与支座之间涂抹Arctic Silver导热膏。每个支座从侧面铣出2mm×1mm凹槽，固定热电偶珠，并用Arctic Alumina环氧固定。固化后，凹槽再填充环氧，并在加热器上方添加木质绝热层以增强控温。整个组件随后绝热处理。对加热器绝热提升了精度，但对整机绝热在本实验范围内影响较小。
图8：加热模块装配图。
图9：冷却回路简化示意图
图10：实验总体设置图
冷却液进出温度通过两个热电偶测得，热电偶前置3D打印静态混合器以保证液体混合均匀。系统稳定后，计算加热器产生热量与冷却液吸收热量间的能量平衡，误差小于总能量的1%。冷板朝向对热/水力性能无显著影响。
▌CFD模型验证
图11对比了冷板压降实验与模拟数据，结果表明CFD模型能准确预测多种工况下的压降。测得的最小/最大压降分别为0.4kPa（0.4LPM）与10kPa（6.4LPM）。
表1对比了四颗芯片支座温度的实测与模拟数据，最大温差小于3°C，说明温度分布模拟精度高。
提高流速可降低芯片温度，但需要更强泵。因此冷却液流速需优化，在系统压降与功耗之间取得平衡，同时保持适当的温升。
▌人工神经网络模型
该ANN模型包含多个层次，每层由具有激活函数的节点组成。输入层设有6个节点：冷却液入口温度、流速及4个芯片的热负载。输入层输入观测参数，隐藏层进行非线性变换。本模型定义了两个隐藏层，分别含12与6个节点。输出层为液压压降与四颗芯片的结点温度。
训练数据通过参数化CFD仿真获得，模拟中冷却液粘度随温度变化。采用拉丁超立方采样法进行实验设计（DOE）。冷却液流速在2～7LPM，温度在6～44°C，芯片热负载为0～200W，共进行140组模拟，随机选取120组作为训练集，其余20组验证模型。结果表明，预测压降与温度的相关系数（R²）均超过0.98，ANN预测结果与CFD高度一致。
该ANN模型可在几秒内快速计算任何工况下冷板的热/水力性能，且无明显精度损失。
为展示模型能力，我们用其预测在冷却液入口温度为40°C、芯片结点温度上限为90°C时的冷板热容量。如图12所示，Chip A最大散热能力分别为155W（2 LPM）与179W（7 LPM）。
Chip A功耗增加会提升Chip B、C、D温度，在2 LPM下分别升高7°C、4.6°C和6.6°C，在7 LPM下分别升高1.6°C、0.4°C和1.6°C。
在Chip A满载条件下，Chip C的最大散热能力分别为125W（2 LPM）与156W（7 LPM）；Chip B为110W与156W；Chip D为113W与155W。
总散热能力为503W（2 LPM）和646W（7 LPM）。
▌结论
本研究开发的人工神经网络模型能够准确表示冷板的热与水力特性，其压力损失与结点温度预测结果与验证的CFD结果高度吻合。该模型可快速估算关键器件温度，并评估冷板在不同冷却液流入条件和功率分布下的性能。该ANN模型可用于识别冷板的性能极限，并加速冷板设计与开发过程，进行设计可行性评估与多参数根因分析。
