Diseño de un sistema de refrigeración para baterías de ion‑litio que incorpora PCM, heat pipes y circuitos líquidos usando ANN mejorada por el algoritmo depredador marino y optimización multiuniverso

Mantener las baterías de los coches frías y seguras

Las baterías de ion‑litio alimentan desde teléfonos inteligentes hasta coches eléctricos, pero no toleran bien el exceso de calor. Cuando un paquete de baterías se calienta de forma desigual, puede perder capacidad más rápido, desperdiciar energía y, en casos extremos, fallar de forma peligrosa. Este artículo explora una forma inteligente de mantener esas baterías a temperaturas adecuadas combinando varios métodos de refrigeración y empleando inteligencia artificial para afinar el diseño, con el objetivo de lograr vehículos eléctricos más seguros, duraderos y eficientes.

Un nuevo tipo de “sándwich” refrigerante

El estudio se centra en un sistema de refrigeración “híbrido” que envuelve un módulo de celdas cilíndricas de ion‑litio. En lugar de depender solo del aire, las baterías están insertadas en un sándwich de tres elementos que cooperan: un material de cambio de fase (PCM) que absorbe calor al fundirse, un bosque de diminutos heat pipes embebidos que difunden el calor rápidamente, y una placa de refrigeración líquida que evacua la energía térmica. Juntas, estas capas intentan lograr dos cosas a la vez: suavizar los puntos calientes entre celdas vecinas y mantener la temperatura global por debajo de un límite seguro, todo mientras se preserva la mayor energía utilizable por kilogramo posible.

Equilibrar espacio, forma y almacenamiento

Puesto que las baterías deben encajar en espacios reducidos en coches y autobuses, los autores prestan mucha atención a la geometría: el espaciado entre celdas en dos direcciones, y el espesor y la altura de la matriz de heat pipes. Usando simulaciones por computador detalladas basadas en trabajos experimentales previos, analizan cómo estas dimensiones afectan tres resultados: cuán desiguales se vuelven las temperaturas dentro del paquete, cuán alta llega a ser la celda más caliente, y cuánta energía puede almacenar el módulo por unidad de peso. Los resultados muestran compensaciones claras. Un mayor espaciado y capas de heat pipes más gruesas y altas ayudan a difundir y extraer el calor, reduciendo tanto la temperatura del punto caliente como la desigualdad térmica. Pero estas mismas decisiones de diseño añaden volumen y peso, reduciendo la densidad energética del paquete.

Enseñar a los algoritmos a diseñar la refrigeración

Para explorar eficientemente todas estas opciones de diseño, los investigadores construyen modelos de aprendizaje automático que actúan como «sustitutos» rápidos de las costosas simulaciones. Entrenan redes neuronales para predecir la diferencia de temperatura, la temperatura máxima y la densidad energética a partir de las entradas geométricas. Dos métodos de búsqueda inspirados en la naturaleza—un algoritmo genético y un algoritmo depredador marino—se usan para ajustar los parámetros internos de estas redes de modo que sus predicciones coincidan estrechamente con los datos de referencia. Una vez entrenados, los modelos alcanzan muy alta precisión, permitiendo al equipo estimar rápidamente cómo se comportarían millones de variantes de diseño sin tener que volver a ejecutar las simulaciones físicas completas cada vez.

Encontrar los mejores compromisos, no solo un único diseño óptimo

En lugar de buscar un único diseño perfecto, el estudio utiliza un método de optimización multiobjetivo que genera un «frente de Pareto» de compromisos igualmente válidos. En esta frontera, mejorar un objetivo—como meter más vatios‑hora en la misma masa—inevitablemente empeora otro, como elevar la temperatura de la celda más caliente. El análisis muestra que estructuras de heat pipes muy gruesas y altas pueden mantener las diferencias de temperatura tan bajas como alrededor de 2 °C y temperaturas máximas en torno a 38–39 °C, pero reducen la densidad energética hasta aproximadamente 140 Wh/kg. Diseños más delgados elevan la densidad energética cerca de 157 Wh/kg, más cercano a lo que buscan los fabricantes de automóviles, pero permiten mayores variaciones y picos de temperatura. Los diseños intermedios quedan en un punto medio, ofreciendo tanto márgenes de seguridad razonables como una capacidad de almacenamiento respetable.

De las curvas de un gráfico a decisiones en el mundo real

Los ingenieros aún necesitan escoger un único diseño para un paquete de baterías real. Para salvar esta brecha final, los autores aplican un método de toma de decisiones que clasifica las muchas opciones óptimas de Pareto según distintas prioridades—como maximizar la seguridad, maximizar la capacidad, o lograr un compromiso equilibrado. Ajustando estos pesos, identifican recetas geométricas específicas para escenarios como vehículos eléctricos críticos para la seguridad, sistemas portátiles de alta densidad energética, o módulos de almacenamiento en red equilibrados. En términos simples, el artículo muestra cómo combinar hardware de refrigeración ingenioso con algoritmos avanzados puede convertir un nudo de compensaciones en una guía clara, ayudando a los diseñadores a construir paquetes de baterías más fríos, seguros y capaces en el uso cotidiano.

Cita: Ali, N.B., Louhichi, B., Hassan, W.H. et al. Design of a Li-ion battery cooling system incorporating PCM, heat pipes, and liquid circuits using marine predator algorithm-enhanced ANN and multi-verse optimization. Sci Rep 16, 11796 (2026). https://doi.org/10.1038/s41598-026-41155-5

Palabras clave: refrigeración de baterías de ion‑litio, gestión térmica de baterías, vehículos eléctricos, materiales de cambio de fase, optimización mediante aprendizaje automático