Optimización de parámetros de diseño de pilas de combustible de membrana de intercambio protónico mediante la optimización por carreras de caballos de Tianji

Corriendo hacia una energía más limpia

Las pilas de combustible de hidrógeno prometen electricidad silenciosa y limpia para coches, hogares y sistemas de reserva, pero solo si podemos modelarlas y controlarlas con precisión. Este artículo muestra cómo un algoritmo inusual, inspirado en una antigua historia china sobre carreras de caballos, puede calibrar modelos de pilas de combustible con mucha más exactitud que muchos competidores modernos, lo que potencialmente hace que las tecnologías del hidrógeno sean más fiables y más fáciles de integrar en sistemas energéticos reales.

Cómo generan electricidad estas pilas

Las pilas de combustible de membrana de intercambio protónico (PEMFC) convierten hidrógeno y oxígeno en electricidad, calor y agua. En el interior de cada celda, el gas hidrógeno llega a un lado (el ánodo), donde se divide en protones con carga positiva y electrones. Los protones atraviesan una membrana delgada similar al plástico, mientras que los electrones deben viajar por un circuito externo, realizando trabajo útil en el camino. En el otro lado (el cátodo), los protones, electrones y el oxígeno se reúnen para formar agua. Muchas celdas individuales se apilan para alcanzar voltajes prácticos, formando pilas utilizadas en vehículos y unidades estacionarias. Para diseñar, controlar y diagnosticar estos sistemas, los ingenieros confían en modelos matemáticos que predicen el voltaje de una pila según condiciones de operación como temperatura, presión y humedad de los gases.

Por qué es difícil obtener modelos precisos

Incluso para una representación ampliamente usada como el modelo de Amphlett, varios parámetros clave no pueden medirse directamente. Describen, por ejemplo, qué tan rápido avanzan las reacciones en los electrodos, con qué facilidad se desplazan los protones a través de la membrana y cuánto voltaje se pierde cuando los gases se agotan cerca de los sitios de reacción. Estos valores ocultos deben inferirse ajustando la curva voltaje‑corriente del modelo a datos experimentales de pilas reales. El proceso de ajuste es complicado: la física subyacente es fuertemente no lineal y muchas combinaciones diferentes de parámetros pueden parecer razonables. En la última década, los investigadores han recurrido a los llamados algoritmos metaheurísticos —métodos de búsqueda inspirados en animales, física o comportamiento humano— para buscar conjuntos de parámetros que minimicen la diferencia entre las predicciones del modelo y las mediciones.

De antiguas carreras de caballos a la optimización moderna

El método estudiado en este trabajo, llamado Optimización por Carreras de Caballos de Tianji (THRO), se basa en una historia famosa en la que un general, Tianji, vence a un rey en un concurso de tres carreras emparejando sus caballos estratégicamente en lugar de enfrentar siempre al más fuerte contra el más fuerte. En la versión algorítmica, las soluciones candidatas a un problema se tratan como caballos pertenecientes a dos establos. En cada iteración, estos caballos se clasifican y emparejan de distintas formas —a veces enfrentando débiles contra fuertes, a veces fuertes contra fuertes— para fomentar tanto la exploración amplia como el ajuste fino. Tras cada «carrera», el algoritmo actualiza los atributos de los caballos, empujándolos hacia un mejor rendimiento al tiempo que inyecta una cantidad controlada de aleatoriedad. Este esquema dinámico de emparejamiento y entrenamiento está diseñado para evitar quedar atrapado en soluciones pobres mientras converge de forma constante hacia el mejor conjunto de parámetros.

Poniendo a prueba el nuevo método

Los autores aplicaron THRO a seis pilas comerciales de PEMFC bien conocidas, que abarcan desde unidades pequeñas de 250 vatios hasta sistemas más grandes como la NedStack PS6 y la Ballard Mark V. Para cada pila, el objetivo fue ajustar siete parámetros del modelo para que el voltaje modelado coincidiera estrechamente con los datos experimentales voltaje‑corriente bajo diversas condiciones. El desempeño de THRO se comparó con cinco métodos metaheurísticos recientes con nombres llamativos, como el Flood Algorithm, Educational Competition Optimizer, Kepler Optimization Algorithm, Fata Morgana Algorithm y Spider Wasp Optimizer. A todos los algoritmos se les dio el mismo número de soluciones candidatas e iteraciones, y cada prueba se repitió 30 veces para evaluar la fiabilidad. En todas las pilas, THRO entregó consistentemente la suma de errores cuadrados más baja —es decir, el ajuste más cercano a los datos reales— y, de forma notable, sus resultados variaron solo en pequeñas cantidades entre ejecuciones, lo que indica una convergencia muy estable.

Qué significan los números para sistemas reales

Más allá de las puntuaciones de error bruto, el estudio examinó la rapidez y suavidad con la que convergían los algoritmos, su sensibilidad a puntos de inicio aleatorios y la capacidad de los parámetros resultantes para funcionar bajo nuevas condiciones de operación. THRO no solo igualó o superó a los métodos competidores en precisión, sino que también produjo conjuntos de parámetros casi idénticos en cada ejecución y superó pruebas estadísticas de significancia más estrictas. Cuando el modelo ajustado se usó para predecir el comportamiento de la pila a diferentes presiones de gas y temperaturas, sus curvas continuaron alineándose con las mediciones experimentales, mostrando buena generalización. La principal compensación es que THRO puede tardar un poco más en computarse que los competidores más rápidos, aunque su coste sigue siendo razonable para el diseño y análisis fuera de línea.

Por qué esto importa para la transición energética

Para los no especialistas, el mensaje es simple: una mejor calibración de los modelos de pilas de combustible conduce a un mejor diseño, control y monitorización del estado de los sistemas de hidrógeno. Al encontrar de manera fiable conjuntos de parámetros que hacen que los modelos reflejen de cerca la realidad en distintas pilas comerciales y condiciones de operación, el enfoque de las carreras de caballos de Tianji ofrece una herramienta potente para los ingenieros. Aunque aún está principalmente orientado a uso fuera de línea, refinamientos o híbridos con métodos más rápidos podrían acercarlo a aplicaciones en tiempo real, ayudando a que la tecnología de pilas de combustible cumpla su promesa de proporcionar energía limpia y flexible en la transición más amplia lejos de los combustibles fósiles.

Cita: Bouali, Y., Imarazene, K., Alamri, B. et al. Optimization of proton exchange membrane fuel cell design parameters using Tianji’s horse racing optimization. Sci Rep 16, 4980 (2026). https://doi.org/10.1038/s41598-026-35200-6

Palabras clave: pila de combustible de membrana de intercambio protónico, energía del hidrógeno, algoritmo de optimización, calibración de modelos, energía renovable