Predicción de la porosidad en vasos compuestos de hidrógeno a alta presión mediante IA cognitiva difusa aumentada y parámetros del proceso de fabricación

Por qué importan las burbujas diminutas en los depósitos de hidrógeno

Los depósitos de hidrógeno a alta presión son una pieza clave de la movilidad limpia del futuro, desde automóviles con pilas de combustible hasta almacenamiento industrial. Estos recipientes deben ser a la vez muy resistentes y muy ligeros, por lo que se construyen con capas de fibra de carbono envueltas alrededor de un revestimiento plástico. Pero dentro de esas capas pueden formarse pequeños vacíos —llamados porosidades—. Si hay demasiados, o aparecen en lugares críticos, un depósito que debería durar años podría fallar. Este estudio explora cómo una forma interpretable de inteligencia artificial puede aprender a partir de datos reales de fábrica para predecir cuántas porosidades surgirán en un depósito y qué partes del proceso de bobinado son más importantes para controlarlas.

Construyendo una envoltura de hidrógeno más segura

Los depósitos estudiados en este trabajo son los llamados vasos de hidrógeno de Tipo IV, utilizados en vehículos y sistemas estacionarios. Consisten en un revestimiento polimérico envuelto con muchas capas de fibras de carbono impregnadas en resina, un proceso conocido como bobinado húmedo de filamento. Durante el bobinado se pueden ajustar decenas de parámetros: cuánto se tira de cada carrete de fibra, la velocidad de giro del mandril interior, el ángulo con que las fibras cruzan la superficie, la rapidez con que se depositan las capas y cuánto resina extiende una pequeña cuchilla metálica sobre las fibras. Las normas de certificación permiten cierto nivel de porosidad, pero los vacíos excesivos debilitan la estructura y pueden poner en riesgo la seguridad. Dado que la interacción física entre todos estos factores es extremadamente compleja, los autores optaron por modelado basado en datos en lugar de intentar escribir una ecuación física completa.

Inteligencia artificial transparente para sistemas de alto riesgo

La normativa europea clasifica las decisiones sobre la seguridad de los depósitos de hidrógeno como usos de IA de alto riesgo. Eso significa que los modelos no pueden ser cajas negras: ingenieros y reguladores deben poder entender cómo se generan las predicciones. Métodos como redes neuronales profundas o grandes ensamblajes de árboles de decisión pueden ser precisos, pero su lógica interna es esencialmente opaca. Por eso los autores utilizaron XTRACTIS, una llamada IA cognitiva difusa aumentada. En lugar de ocultar su razonamiento, XTRACTIS construye automáticamente conjuntos de reglas IF…THEN legibles por humanos que vinculan variables del proceso seleccionadas con los resultados. También puntúa la simplicidad o complejidad de un modelo, favoreciendo versiones que dependan de menos entradas y reglas y que aun así mantengan buena capacidad predictiva.

De las mediciones de fábrica a las reglas aprendidas

Recopilar datos sobre depósitos reales es caro porque cada vaso a escala completa cuesta varios miles de euros y debe escanearse mediante tomografía computarizada 3D. Por ello el estudio trabajó con solo 12 depósitos, divididos en 180 capas individuales de bobinado. Para cada capa estaban disponibles 58 posibles predictores que describían tensiones, velocidades, ángulos, control de resina y otras decisiones de diseño, junto con porosidades medidas por rayos X. El equipo se centró en predecir el logaritmo del número de poros en lugar del recuento bruto, lo que suaviza los valores extremos. XTRACTIS exploró miles de configuraciones de modelo y utilizó una estrategia rigurosa de validación cruzada, entrenando y probando repetidamente con distintas particiones de los datos para evitar sobreajuste. Luego destiló el mejor conjunto de modelos en un único “experto virtual” basado en reglas más simple. En capas de prueba no vistas, este experto reprodujo los recuentos de poros con buena precisión, con errores de predicción por debajo de aproximadamente el 8% y una fuerte correlación entre valores predichos y observados.

Lo que revela el modelo sobre cómo fabricar mejores depósitos

Como el modelo final se expresa como un pequeño conjunto de reglas difusas IF…THEN, su comportamiento puede leerse casi como directrices de ingeniería. Las reglas muestran que mantener la tensión de las fibras uniforme y dentro de un rango saludable es crucial: cuando las tensiones entre distintos carretes de fibra varían demasiado, algunas zonas quedan flojas mientras otras quedan demasiado tensas, creando condiciones para vacíos adicionales. La velocidad de rotación del mandril y el ángulo de bobinado configuran conjuntamente cuán densamente y de forma homogénea se empaquetan las fibras; una velocidad demasiado baja y un ángulo poco pronunciado provocan mala compactación y distribución de la resina. Otro elemento clave es el control de la resina mediante la cuchilla dosificadora y el volumen total de cada capa. Un flujo de resina bien ajustado evita tanto zonas de fibra seca como bolsas ricas en resina, cada una de las cuales favorece la formación de burbujas. El modelo también sugiere que carretes de fibra más pequeños y estables pueden ayudar a mantener la tensión constante, reduciendo aún más la porosidad.

Límites de los datos y lecciones para el control de calidad

Los investigadores también intentaron entrenar modelos para clasificar cada capa en tasa de porosidad baja frente a media-o-alta, una medida usada a menudo en planta. Tanto XTRACTIS como un algoritmo opaco de árboles potenciados rindieron mal en datos realmente nuevos en esta tarea. Comprobaciones posteriores revelaron que las propias etiquetas de tasa de porosidad eran ruidosas, porque se había supuesto que todos los poros eran esféricos y se asignaron automáticamente a capas de una manera simplificada. Esta etiquetación incorrecta probablemente difuminó la frontera entre clases. El contraste es instructivo: donde los valores objetivo son fiables, la IA transparente puede rendir bien incluso con datos limitados; donde las etiquetas son dudosas, ningún algoritmo puede recuperarlas. En conjunto, el estudio muestra que los modelos interpretables basados en reglas difusas pueden tanto guiar a los ingenieros hacia ajustes de proceso más seguros como poner de manifiesto debilidades en la medición y preparación de datos.

Un camino más claro hacia un almacenamiento de hidrógeno más seguro

En términos sencillos, este trabajo demuestra que un sistema de IA explicable puede aprender a partir de una cantidad modesta de datos de fábrica a anticipar cuántos vacíos microscópicos se formarán dentro de la carcasa compuesta de un depósito de hidrógeno, y a señalar qué mandos de la línea de producción importan más. Las reglas resultantes traducen matemáticas complejas en consejos de proceso comprensibles: mantener la tensión de las fibras estable, elegir velocidades y ángulos de bobinado adecuados y controlar cuidadosamente el flujo de resina y el volumen de las capas. Aunque harán falta más y mejores datos para afinar estas conclusiones y validarlas en nuevos depósitos, el enfoque ofrece un plano prometedor para aumentar la seguridad del almacenamiento de hidrógeno, no reemplazando a los ingenieros, sino dándoles un socio transparente que convierte mediciones dispersas en entendimiento accionable.

Cita: Achour, L., Zalila, Z., Aboura, Z. et al. Predicting porosity in composite high-pressure hydrogen vessels using augmented fuzzy cognitive AI and manufacturing process parameters. Sci Rep 16, 9894 (2026). https://doi.org/10.1038/s41598-026-38447-1

Palabras clave: almacenamiento de hidrógeno, materiales compuestos, defectos de fabricación, IA explicable, filament winding