Características de rendimiento, emisiones y combustión de mezclas diésel con biodiésel de Mahua mejoradas con nanopartículas de TiO₂ y CeO₂ mediante enfoques experimentales y de aprendizaje automático

Energía más limpia a partir de plantas y partículas diminutas

Los motores diésel impulsan autobuses, tractores y generadores en todo el mundo, pero también emiten hollín, gases formadores de smog y dióxido de carbono que calientan el clima. Este estudio explora una manera de hacer que los motores diésel existentes sean más limpios y eficientes sin rediseñarlos: mezclar un aceite vegetal no comestible llamado biodiésel de Mahua con diésel convencional y añadir partículas metálicas ultrafinas. Los investigadores también emplearon herramientas modernas de aprendizaje automático para comprobar si los ordenadores pueden predecir de forma fiable cómo se comportarán esos motores bajo múltiples condiciones de funcionamiento.

De las semillas del árbol al combustible del motor

El Mahua es un árbol común en India cuyas semillas rinden un aceite que no se utiliza para alimentación, lo que lo convierte en una fuente atractiva y sostenible para combustible. El aceite se procesa químicamente hasta convertirlo en un biodiésel que puede mezclarse con diésel convencional. En este trabajo, el equipo se centró en una mezcla práctica que contiene un 20% de biodiésel de Mahua y un 80% de diésel, elegida porque suele ofrecer un buen equilibrio entre rendimiento del motor y emisiones. Para mejorar aún más esta mezcla, introdujeron trazas de nanopartículas de óxidos metálicos —dióxido de titanio y óxido de cerio— en dosis de apenas 25 a 75 partes por millón, cantidades demasiado pequeñas para cambiar apreciablemente las propiedades a granel del combustible pero suficientes para influir en cómo se quema dentro del motor.

Cómo ayudan las diminutas adiciones a la combustión

El banco de pruebas fue un motor diésel monocilíndrico estándar, similar a los empleados en pequeños generadores, operado en cinco niveles de carga distintos desde ralentí hasta plena potencia. Los investigadores midieron cuán eficientemente el motor convierte el combustible en trabajo útil y registraron contaminantes como monóxido de carbono, hidrocarburos no quemados, óxidos de nitrógeno, humo y dióxido de carbono. Encontraron que pasar de diésel puro a la mezcla con Mahua redujo ligeramente la eficiencia, porque el combustible de origen vegetal es más viscoso y contiene menos energía por kilogramo. Sin embargo, cuando añadieron las nanopartículas —especialmente en torno a 50 partes por millón— la situación cambió. Estas partículas diminutas actúan como facilitadoras de la combustión, promoviendo una mejor mezcla aire‑combustible y acelerando las reacciones de oxidación.

Escape más limpio con un compromiso

Con la dosis adecuada de nanopartículas, la eficiencia térmica de freno del motor —la fracción de la energía del combustible convertida en potencia útil— aumentó aproximadamente un 6–8% por encima del diésel puro a plena carga, y el consumo de combustible por unidad de potencia disminuyó hasta un 7% en comparación con la mezcla de Mahua sola. El escape también se volvió visiblemente más limpio: el monóxido de carbono y los hidrocarburos no quemados se redujeron en alrededor de una cuarta parte, y el humo visible se cortó hasta en un 35–40%, lo que refleja menos formación de hollín y una combustión más completa. El dióxido de carbono aumentó de forma moderada, lo que en este contexto indica que el carbono del combustible se está oxidando completamente en lugar de aparecer como subproductos tóxicos o partículas. La principal desventaja fue que los óxidos de nitrógeno, una familia de gases que contribuyen al smog, aumentaron en torno a un 8–12% a altas cargas, debido a que la combustión más vigorosa elevó la temperatura máxima dentro del cilindro.

Dejar que las máquinas aprendan el comportamiento del motor

Realizar muchas pruebas en motores es costoso y consume tiempo, por lo que el equipo también se planteó si un ordenador podría aprender a predecir el comportamiento del motor tras ver solo un conjunto limitado de experimentos. Entrenaron varios modelos modernos de aprendizaje automático con entradas como carga del motor, tipo de combustible y nivel de nanopartículas, y salidas como eficiencia, consumo de combustible y cada una de las emisiones. Para aprovechar al máximo su pequeño conjunto de datos, emplearon un método de validación estricto en el que cada punto experimental se trata a su vez como un caso de prueba no visto. Entre los enfoques probados, un método llamado XGBoost, que combina muchos pequeños árboles de decisión, ofreció las predicciones más fiables en conjunto, capturando más del 97% de la variación en todas las magnitudes medidas con errores muy pequeños y sin sesgos evidentes a través de las condiciones de funcionamiento.

Integrando todo para un uso práctico

Para no especialistas, el mensaje clave es que una mezcla cuidadosamente elegida de combustible de origen vegetal y partículas metálicas ultrafinas puede hacer que un motor diésel convencional sea a la vez más limpio y más eficiente, sin modificaciones mecánicas. El punto óptimo en este estudio fue una mezcla de biodiésel de Mahua y diésel con aproximadamente 50 partes por millón de nanopartículas de óxido de titanio o de cerio: lo suficiente para afinar la combustión y reducir drásticamente el hollín y otros gases nocivos, aumentando solo de forma moderada los óxidos de nitrógeno. Al mismo tiempo, el aprendizaje automático demostró ser un complemento potente, pronosticando con precisión cómo respondería el motor bajo diferentes cargas y recetas de combustible. Juntos, estos enfoques apuntan hacia un futuro en el que los motores diésel existentes puedan ajustarse para disminuir la contaminación y mejorar la economía de combustible mientras se sustituye gradualmente el combustible fósil por alternativas sostenibles de origen vegetal.

Cita: Janaki, V., Ranjit, P.S. & Balakrishna, B. Performance emission and combustion characteristics of TIO₂ and CEO₂ nanoparticle enhanced Mahua biodiesel diesel blends using experimental and machine learning approaches. Sci Rep 16, 8594 (2026). https://doi.org/10.1038/s41598-026-38657-7

Palabras clave: Biodiésel de Mahua, aditivos nanopartículas, emisiones de motores diésel, combustión limpia, modelos de aprendizaje automático