原始物理模型为一个电动车的能量管理模型。纯电动汽车整车能量管理模型案例为EV-Thermal_Management.gtm(GTI\v2025\examples\Cooling_Vehicle_Thermal_Management\EV-Thermal_Management），其模型如图所示。）

该模型采用的热管理架构是带电驱余热回收的热泵系统。该案例的架构具有较大的创新性，与传统的热泵系统存在较大区别。其主要由4个流体回路构成：制冷剂回路、低温水回路、高温水回路以及乘员舱空气回路。它的基本思想是通过复杂的水回路设计（两个水回路）来大大简化制冷剂回路。制冷剂回路的换热器通过两个水回路间接地与空气（空调箱或机舱）关联。无论冬夏，制冷剂回路的传热方向总是将热量从低温水回路转移到高温水回路。正如此案例所示，用户可以利用GT-SUITE自由地研究各类热管理架构。

当乘员舱处于制冷模式时，原理如下图所示。制冷剂回路中的蒸发器通过低温水回路间接从乘员舱吸热。冷凝器将热量释放到高温水回路，高温水回路将冷凝器和电驱系统的产热一同送往电驱散热器进行散热。电池通过低温水回路进行冷却。

制冷模式原理图（虚线表示不流通）

当乘员舱处于制热模式且电池需要加热时，原理如下图所示。制冷剂回路中的蒸发器通过低温水回路中的室外吸热器间接从外部环境（前端模块）吸热。冷凝器将热量释放到高温水回路，高温水回路回收冷凝器和电驱系统的产热，给乘员舱和电池进行加热。除了利用余热进行加热外，高温水回路还有一个单独的PTC用于电池加热。除此之外，空调箱空气回路中还有一个PTC（下图中未标识）。

制热模式原理图（虚线表示不流通）

GT-SUITE的机器学习助手包含DoE，数据统计分析、机器学习模型训练、模型评价、模型导出和优化。其中神经网络模型分为静态模型和动态模型（时间序列）。本文采用静态神经网络模型进行训练。该模型包含4层前馈神经网络，其中2个隐含层分别包含10个和5个神经元。

为了准备数据集，我们需要先对HVAC系统的冷媒回路单独进行建模，如下图所示。

然后进行DoE，自变量如下表所示，因变量有蒸发器和冷凝器的换热率、压缩机功耗。共进行20000个工况计算。但是考虑到一些组合不符合实际情况，故最终保留16510个数据点。

通过机器学习助手的统计信息，可以看出不同自变量对因变量的影响的敏感性，以及最终的训练效果。

将模型导出后，部署在整车能量管理模型中，代替掉原始的冷媒两相流回路，如下图所示。

从图中可以看出，在冷却工况下，降阶后的模型与原始模型非常接近。采用静态的神经网络模型为什么能得到如此好的结果？这是由于该工况比较特殊，没有明显的热管理事件的发生，进而带来显著的热惯性影响。

从图中可以看出，在加热工况下，降阶后的模型与原始模型在电池温度和乘员舱温度上非常接近，但是在换热器的换热率方面差距显著。这是由于该工况下有着明显的热管理事件的发生，进而带来显著的热惯性影响。之所以电池温度和乘员舱温度精度能够保持，这是由于这些结果不只是受冷媒系统影响，还受更为敏感的其他因素影响，比如PTC。

而基于实时物理的解决方案的RT因子为0.37。