Análisis comparativo de modelos de aprendizaje superficial y profundo híbrido para predecir la eficiencia de refrigeración de paneles fotovoltaicos refrigerados con nanofluidos en múltiples materiales

Por qué mantener los paneles solares fríos importa

Los paneles solares funcionan mejor cuando están fríos, pero bajo un sol intenso su temperatura puede dispararse, erosionando silenciosamente la cantidad de electricidad que producen. Para los propietarios, las compañías eléctricas y cualquiera que apueste por la energía limpia, esa caída en el rendimiento significa menos kilovatios-hora de los esperados. Este estudio examina un enfoque novedoso para la refrigeración de paneles: hacer circular especiales “nanofluidos” tras un panel solar y usar inteligencia artificial para predecir cuán eficaz será la refrigeración. El objetivo es reducir los experimentos al aire libre, lentos y costosos, mientras se mantiene la eficiencia solar en condiciones de calor realistas.

Cómo partículas minúsculas pueden ayudar a paneles calientes

Los paneles solares estándar simplemente permanecen al sol y se calientan, lo que reduce su salida aproximadamente medio punto porcentual por cada grado Celsius que sube la temperatura. Una forma de combatir esto es refrigerar activamente el panel mediante una fina red de tubos fijados en la parte trasera. En este montaje, se bombea un líquido por los tubos, que transporta el calor. En lugar de usar solo agua, los investigadores probaron nanofluidos: agua que contiene partículas extremadamente pequeñas de óxido de aluminio (Al₂O₃) o dióxido de titanio (TiO₂) en fracciones volumétricas muy bajas (0,01 %, 0,1 % y 1 %). Estas nanopartículas pueden mejorar la capacidad del líquido para captar y transportar calor, potencialmente manteniendo el panel más frío y más eficiente que con agua sola.

Pruebas al aire libre en condiciones reales con siete refrigerantes

El equipo instaló dos paneles solares idénticos de 50 vatios en el campus de una universidad en una región cálida y seca de Turquía. Un panel se equipó con tubos y aletas de cobre en la parte trasera para la refrigeración, mientras que el otro se dejó sin refrigerar como referencia. Una bomba hizo circular agua o una de las seis mezclas de nanofluidos a un caudal fijo por las tuberías de refrigeración. Durante varios días, recogieron mediciones al aire libre cada 30 minutos durante sesiones de seis horas, creando 13 puntos de datos por refrigerante. En cada ensayo registraron irradiancia solar, velocidad del viento, temperatura del aire, temperaturas de la superficie del panel en varios puntos, temperaturas de entrada y salida del fluido, y el voltaje y la corriente eléctricos de los paneles refrigerado y sin refrigerar. A partir de estos datos calcularon cuánto mejoraba la eficiencia eléctrica el sistema de refrigeración.

Enseñar a los algoritmos a sustituir experimentos

Puesto que repetir pruebas al aire libre de día completo para cada nuevo refrigerante o condición operativa es lento y laborioso, los autores entrenaron modelos informáticos para aprender la relación entre las condiciones medidas y la eficiencia de refrigeración resultante. Probaron varios enfoques relativamente simples—regresión de Ridge bayesiana, regresión con máquinas de soporte vectorial y bosques aleatorios—junto a un modelo híbrido de aprendizaje profundo más avanzado que combina redes neuronales convolucionales (CNN) y unidades de memoria a largo plazo (LSTM). Los modelos “superficiales” más simples trataron cada instantánea de medición de forma independiente, mientras que el modelo CNN+LSTM también examinó cómo cambiaban los valores en el tiempo, capturando fluctuaciones a corto plazo en la radiación solar y la temperatura.

Lo que los modelos aprendieron sobre el rendimiento de la refrigeración

En los siete fluidos, la regresión de Ridge bayesiana ofreció de forma constante predicciones precisas, con errores pequeños entre las eficiencias predichas y las medidas y altos índices de concordancia. El modelo híbrido CNN+LSTM mejoró aún más la precisión para algunos materiales, alcanzando niveles de error muy bajos y explicando casi toda la variación en el rendimiento de la refrigeración. Para abrir estas cajas negras, los investigadores aplicaron una técnica llamada SHAP, que puntúa cuánto influye cada factor de entrada en una predicción. Este análisis mostró que la temperatura ambiente, la irradiancia solar y la propia salida eléctrica del panel refrigerado (voltaje y corriente) eran los principales impulsores de la eficiencia de refrigeración, mientras que la velocidad del viento y algunas lecturas detalladas de la temperatura superficial contribuían mucho menos.

Qué significa esto para los sistemas solares del futuro

En términos simples, el estudio demuestra que modelos de aprendizaje automático bien escogidos pueden predecir de forma fiable cuánto beneficio obtendrás al refrigerar activamente un panel solar con agua o nanofluidos, usando solo una cantidad modesta de datos experimentales. En lugar de realizar nuevas pruebas de día completo cada vez que cambie una receta de refrigerante, la concentración o el patrón meteorológico, los ingenieros pueden apoyarse en estos modelos entrenados para explorar escenarios hipotéticos en segundos. El trabajo también enfatiza que unas pocas mediciones clave—qué tan caluroso está el día, cuán intensa es la luz solar y cómo rinde eléctricamente el panel refrigerado—contienen la mayor parte de la información necesaria. Aunque los autores señalan que se requieren conjuntos de datos más grandes y variados antes de que estas herramientas puedan aplicarse en todos los contextos y escalas, sus resultados apuntan hacia un diseño y control más inteligentes de paneles refrigerados, extrayendo más electricidad limpia de la misma luz solar.

Cita: Özdemir, Y., Ziyadanoğulları, N.B., Bakış, E. et al. Comparative analysis of shallow and hybrid deep learning models for predicting the cooling efficiency of nanofluid-cooled photovoltaic panel across multiple materials. Sci Rep 16, 9216 (2026). https://doi.org/10.1038/s41598-026-40129-x

Palabras clave: refrigeración de paneles solares, nanofluidos, eficiencia fotovoltaica, aprendizaje automático, aprendizaje profundo