热管的热仿真

分类: 熱解析 > 相変化 | 综合版 2026-04-12
Heat pipe thermal resistance network diagram showing evaporator, adiabatic, and condenser sections with capillary wick structure
ヒートパイプの等価熱抵抗ネットワーク — 蒸発部・断熱輸送部・凝縮部の直列モデル

理论与物理

工作原理 — 4个热传输过程

🧑‍🎓

热管在笔记本电脑里也有吧?那么细的管子能传输大量热量,感觉很神奇,它是什么原理呢?

🎓

热管是一种在密闭管内重复蒸发→蒸汽输送→冷凝→毛细回流四个过程的热传输装置。它不使用泵或风扇,仅依靠工作流体的相变和毛细力驱动,因此最大的优势是零活动部件、免维护。

🧑‍🎓

请再具体说明一下这四个过程。

🎓

我们按顺序来看。

  1. 蒸发(蒸发段): 在CPU等热源接触的端部,工作流体(通常是水)蒸发,吸收潜热 $h_{fg}$。
  2. 蒸汽输送(绝热段): 蒸汽因压力差高速移动到冷凝部。铜的热导率为380 W/(m·K),而热管的等效热导率可达数千至数万 W/(m·K)
  3. 冷凝(冷凝段): 在散热片或风扇侧,蒸汽冷凝并释放潜热。
  4. 毛细回流(毛细回流): 冷凝后的液体通过吸液芯(烧结金属粉末、丝网、沟槽等)的毛细力返回蒸发部。

例如在笔记本电脑中,从CPU(蒸发部,~95℃)到铰链附近的散热片(冷凝部,~55℃),仅凭约40℃的温差就能输送15~30W的热量。

🧑‍🎓

没有泵,液体还能逆着重力回来吗?

🎓

问得好。只要吸液芯的毛细压力 $\Delta P_c = 2\sigma/r_\text{eff}$ 超过重力压头 $\rho_l g L \sin\phi$,液体就能向上回流。但这正是被称为“毛细极限”的最大设计约束。特别是在薄型热管中,$r_\text{eff}$ 越小越有利,但渗透率 $K$ 也会降低,所以存在权衡。

等效热阻网络

🧑‍🎓

那么,这个怎么仿真呢?直接用CFD解两相流吗?

🎓

实际工作中首先进行的是等效热阻网络分析。这是一种将整个热管视为串联电阻电路的方法,能以低于CFD百分之一的计算成本预测温度分布。

总热阻 $R_\text{hp}$ 可分解如下:

$$R_\text{hp} = R_\text{e,wall} + R_\text{e,wick} + R_\text{e,evap} + R_\text{vapor} + R_\text{c,cond} + R_\text{c,wick} + R_\text{c,wall}$$

各项含义如下:

热阻物理意义计算公式典型值 (K/W)
$R_\text{e,wall}$蒸发部管壁传导$\ln(r_o/r_i)/(2\pi k_w L_e)$0.01〜0.05
$R_\text{e,wick}$蒸发部吸液芯传导$\ln(r_i/r_v)/(2\pi k_\text{eff} L_e)$0.05〜0.5
$R_\text{e,evap}$蒸发界面$1/(h_e A_e)$0.001〜0.01
$R_\text{vapor}$蒸汽流路压力损失$\Delta T_\text{sat}/Q$0.001〜0.01
$R_\text{c,cond}$冷凝界面$1/(h_c A_c)$0.001〜0.01
$R_\text{c,wick}$冷凝部吸液芯传导$\ln(r_i/r_v)/(2\pi k_\text{eff} L_c)$0.05〜0.5
$R_\text{c,wall}$冷凝部管壁传导$\ln(r_o/r_i)/(2\pi k_w L_c)$0.01〜0.05
🧑‍🎓

吸液芯的有效热导率 $k_\text{eff}$ 怎么求呢?吸液芯本身是多孔质的吧?

🎓

代表性的是 Maxwell 的有效介质近似:

$$k_\text{eff} = k_l \frac{k_l + k_s - (1 - \varepsilon)(k_l - k_s)}{k_l + k_s + (1 - \varepsilon)(k_l - k_s)}$$

其中 $k_l$ 是液体的热导率,$k_s$ 是吸液芯固体的热导率,$\varepsilon$ 是孔隙率。对于烧结铜粉吸液芯($\varepsilon \approx 0.5$,$k_s = 380$ W/(m·K),水 $k_l = 0.65$ W/(m·K)),$k_\text{eff} \approx 30\text{--}50$ W/(m·K) 左右。

毛细极限(Capillary Limit)

🧑‍🎓

刚才提到的“毛细极限”,定量上怎么计算呢?

🎓

热管工作的条件是,吸液芯的毛细压力必须超过所有压力损失:

$$\Delta P_\text{cap} \geq \Delta P_l + \Delta P_v + \Delta P_g$$

展开各项:

  • 毛细压力(驱动力): $\displaystyle \Delta P_\text{cap} = \frac{2\sigma}{r_\text{eff}}$
  • 液相压力损失: $\displaystyle \Delta P_l = \frac{\mu_l L_\text{eff}}{K A_w \rho_l h_{fg}} Q$
  • 蒸汽相压力损失: $\displaystyle \Delta P_v = \frac{128 \mu_v L_\text{eff}}{\pi d_v^4 \rho_v h_{fg}} Q$
  • 重力压头: $\displaystyle \Delta P_g = \rho_l g L \sin\phi$

其中 $L_\text{eff} = L_a + (L_e + L_c)/2$ 是有效长度。最大热传输量 $Q_\text{max}$ 由等式成立的条件求得:

$$Q_\text{max} = \frac{\displaystyle \frac{2\sigma}{r_\text{eff}} - \rho_l g L \sin\phi}{\displaystyle \frac{\mu_l L_\text{eff}}{K A_w \rho_l h_{fg}} + \frac{128 \mu_v L_\text{eff}}{\pi d_v^4 \rho_v h_{fg}}}$$
🧑‍🎓

笔记本电脑用的是薄型热管吧?像0.4mm厚度那种,哪一项会成为瓶颈呢?

🎓

很敏锐。在薄型(包括均热板)中,蒸汽流路的截面积极小,因此 $\Delta P_v$ 中的 $d_v^4$ 项占主导。厚度0.4mm时,蒸汽流路的等效直径只有约0.2mm,蒸汽压力损失有时会占总损失的80%以上。也就是说,实际上往往是“蒸汽流路极限”而非“毛细极限”成为瓶颈。最近游戏本使用0.6mm以上厚度的热管,就是这个原因。

Merit数(性能指数 M)与工作流体选型

🧑‍🎓

工作流体除了水还有别的吗?怎么选择呢?

🎓

用一个指标来比较工作流体的热传输能力,这就是Merit数(性能指数 M)

$$M = \frac{\rho_l \cdot \sigma_l \cdot h_{fg}}{\mu_l}$$

$M$ 越大,意味着在相同的吸液芯结构和尺寸下能传输更多的热量。代表性工作流体的Merit数比较:

工作流体工作温度范围Merit数 M (W/m²)代表用途
30〜200℃$5 \times 10^{11}$ (60℃)电子设备冷却、CPU、LED
甲醇10〜130℃$9 \times 10^{10}$ (60℃)低温环境、塑料外壳
-60〜100℃$5 \times 10^{11}$ (25℃)卫星热控制、极低温
丙酮0〜120℃$6 \times 10^{10}$ (60℃)LED照明
600〜1200℃$2 \times 10^{12}$ (800℃)核反应堆、太阳能热发电
🧑‍🎓

水在常温区是最强的啊。那电子设备用基本就选水了?

🎓

基本是这样。但水会与管材反应产生不凝性气体(NCG: Non-Condensable Gas)的风险,因此管材基本用铜。铝管封入水会产生氢气,导致热管在几个月内失效。材料相容性检查是仿真前必须做的。

其他工作极限

🧑‍🎓

除了毛细极限还有其他极限吗?

🎓

热管有5个工作极限。设计阶段需要全部检查:

  1. 毛细极限(Capillary): 吸液芯液体回流能力的极限。常温区最严格。
  2. 沸腾极限(Boiling): 蒸发部吸液芯内气泡生成、生长,阻碍液体供给。高热流密度时发生。
  3. 音速极限(Sonic): 蒸汽流速达到壅塞(音速)。启动时或低温时需注意。
  4. 携带极限(Entrainment): 高速蒸汽流卷走对向的液膜。用韦伯数判定。
  5. 粘性极限(Viscous): 蒸汽压在极低温下极低的情况。与液态金属热管的启动有关。

对于电子设备用(水-铜,30〜100℃),通常毛细极限和沸腾极限是设计的前沿。

数值解法与实现

1D热阻模型的实现

🧑‍🎓

等效热阻网络,实际上怎么落实到CAE中呢?

🎓

最简单的方法是将1D热阻网络嵌入系统级的热路仿真器(Ansys Icepak、Flotherm、6SigmaET等)。将热管视为一个“二端元件”:

$$Q = \frac{T_\text{evap} - T_\text{cond}}{R_\text{hp}} = \frac{\Delta T}{R_\text{hp}}$$

其中 $R_\text{hp}$ 从数据手册获取,或用前述的热阻分解式计算。实务要点:

  • $R_\text{hp}$ 相对于输入热量 $Q$ 是非线性的(低Q时较高,接近毛细极限时急剧上升)
  • 需要瞬态响应时,可并联添加管壁、吸液芯、蒸汽的热容 $C$,形成RC电路
  • 使用温度相关的物性值时需要迭代计算

等效热导率模型(各向异性 $k_\text{eff}$)

🧑‍🎓

想看基板整体的温度分布时,1D模型不够吧?

🎓

没错。当基板上有多个芯片,或需要评估面内热扩散时,可将热管建模为具有各向异性等效热导率的固体。这是均热板常用的方法:

$$k_\text{axial} = 5{,}000 \text{--} 20{,}000 \;\text{W/(m·K)} \quad (\text{轴向 / 面内方向})$$ $$k_\text{radial} = 30 \text{--} 100 \;\text{W/(m·K)} \quad (\text{径向 / 厚度方向})$$
🎓

$k_\text{axial}$ 通常根据实测值通过拟合确定。调整参数使解析结果与实测温差在3〜5℃以内。需要注意的是,$k_\text{axial}$ 依赖于输入热量。接近干涸时急剧下降,因此需要根据工作点切换参数。

CFD两相流模型(VOF / Mixture)

🧑‍🎓

什么情况下会用CFD严格求解两相流呢?

🎓

在研发阶段,或需要详细研究蒸发、冷凝局部现象时。主要有两种方法:

  1. VOF法(Volume of Fluid): 直接追踪气液界面。可知界面形状,但强烈依赖于网格分辨率。用于分析蒸发部吸液芯内液膜行为。
  2. Mixture / Euler双流体模型: 用体积分数处理气液。比VOF允许更粗的网格,但会丢失界面细节。

两者都广泛使用 Lee 模型作为蒸发/冷凝的源项:

$$\dot{m}_\text{evap} = r_i \alpha_l \rho_l \frac{T - T_\text{sat}}{T_\text{sat}} \quad (T > T_\text{sat})$$ $$\dot{m}_\text{cond} = r_i \alpha_v \rho_v \frac{T_\text{sat} - T}{T_\text{sat}} \quad (T < T_\text{sat})$$

其中 $r_i$ 是质量传递系数 [1/s]。$r_i$ 的值在文献中差异很大,从0.1到$10^6$,因此必须通过与实验比较进行校准。$r_i$ 过大会发散,过小则界面温度会大幅偏离 $T_\text{sat}$。

吸液芯多孔质模型(Darcy流)

🧑‍🎓

吸液芯内部的液体流动怎么建模呢?

🎓

吸液芯是多孔介质,因此标准做法是用Darcy定律近似,而非Navier-Stokes方程:

$$\vec{u} = -\frac{K}{\mu_l} \nabla P$$

$K$ 是渗透率 [m²],取决于吸液芯结构:

吸液芯结构渗透率 $K$ [m²]有效毛细管半径 $r_\text{eff}$ [m]孔隙率 $\varepsilon$
烧结粉末$10^{-13}$ 〜 $10^{-11}$$0.21 d_p$(粒径的0.21倍)0.4〜0.6
丝网筛$10^{-11}$ 〜 $10^{-9}$$1/(2N)$(取决于目数 $N$)0.6〜0.7
轴向沟槽$10^{-9}$ 〜 $10^{-7}$$w/2$(槽宽的一半)0.1〜0.3
🎓

烧结粉末 $r_\text{eff}$ 小,毛细驱动力大,但 $K$ 也小,液体压力损失大。沟槽则相反,$K$ 大但毛细力弱。智能手机的薄型均热板以烧结粉末为主,太空用热管则多用轴向沟槽。

实践指南

薄型热管(均热板)的解析

🧑‍🎓

最近的智能手机里都有均热板吧?听说厚度有0.4mm左右,那个怎么解析呢?

🎓

均热板(平板型热管)的解析,实务上采用三段式方法:

  1. 阶段 1 — 1D/2D筛选(1小时): 热阻网络 + 毛细极限检查。筛选候选材料与尺寸。
  2. 阶段 2 — 各向异性 $k_\text{eff}$ 模型(1天): 系统级3D热解析。评估基板上的温度分布、对其他部件的热影响。
  3. 阶段 3 — 多孔质两相流CFD(1〜2周): 预测吸液芯内液体分布、干涸位置。仅在新吸液芯结构开发时使用。

实务的8成在阶段1~2完成。阶段3是研发部门的工作。

网格策略

関連シミュレーター

この分野のインタラクティブシミュレーターで理論を体感しよう

シミュレーター一覧

関連する分野

この記事の評価
ご回答ありがとうございます!
参考に
なった
もっと
詳しく
誤りを
報告
参考になった
0
もっと詳しく
0
誤りを報告
0
Written by NovaSolver Contributors
Anonymous Engineers & AI — サイトマップ