Optimización multiobjetivo del diseño del sistema de refrigeración por pulverización de aceite para motor con bobinado hairpin basada en optimización por enjambre de partículas‑retropropagación‑algoritmo genético no dominado de clasificación III

Por qué mantener frescos los motores eléctricos importa

Con el aumento de potencia y la reducción de tamaño de los coches eléctricos, los motores que los impulsan están sometidos a esfuerzos mayores que nunca. En el interior de estos motores, los bobinados de cobre, comprimidos de forma densa, pueden calentarse hasta perder permanentemente fuerza magnética, acortando la vida útil del motor y desperdiciando energía. Este estudio examina un método avanzado para bañar esos bobinados con aceite refrigerante y utiliza algoritmos informáticos inteligentes para rediseñar el pequeño anillo pulverizador que suministra el aceite, haciendo que el motor funcione más frío y con mayor eficiencia.

Cómo la lluvia de aceite protege a los motores exigidos

Los motores de tracción modernos suelen emplear los llamados bobinados hairpin—barras rígidas de cobre dobladas en U y empaquetadas densamente alrededor del rotor. Estos conjuntos concentrados son excelentes para la potencia, pero también son las partes que más se calientan del motor. Una solución prometedora es un sistema de refrigeración por pulverización de aceite: un anillo hueco alrededor de los bobinados emite múltiples chorros de aceite que golpean el cobre caliente, se extienden en una película fina y transportan el calor antes de que el aceite regrese al circuito de refrigeración. El artículo se centra en un motor eléctrico de 230 kW que ya utiliza dicho anillo pulverizador, pero cuyo diseño original dejaba los bobinados demasiado calientes y el aceite a una presión interna relativamente alta, sometiendo al sistema de refrigeración a un esfuerzo mayor.

Probando diferentes formas de pulverizar el aceite

Los investigadores se plantearon primero una pregunta básica: ¿qué forma de boquilla refrigera mejor? Compararon tres tipos comerciales de boquillas—spray plano, cono lleno y en forma de abanico—simulando cómo cada una humedece un paquete de bobinado realista y no simplificado. Mediante cálculos detallados de flujo de fluido y transferencia de calor, generaron mapas de temperatura que muestran dónde los bobinados permanecían calientes o fríos. La boquilla de spray plano tendía a mojar solo el centro de los bobinados, dejando más calientes a los conductores vecinos. La boquilla en abanico funcionó algo mejor, pero aún provocaba saltos bruscos de temperatura entre bobinados adyacentes. Por el contrario, la boquilla de cono lleno dispersó el aceite de forma más uniforme sobre la superficie, produciendo un campo de temperatura más suave y la temperatura máxima más baja—aproximadamente un 22% inferior a la del spray plano y un 5% inferior a la de la boquilla en abanico. Por tanto, esta boquilla se eligió como punto de partida para el rediseño.

Explorando el espacio de diseño con experimentos virtuales

A continuación, el equipo se centró en la geometría del propio anillo pulverizador. Identificaron seis dimensiones clave, incluidas las longitudes de los diámetros grande y pequeño de cada boquilla, el ángulo de pulverización, la rotación de las boquillas alrededor del anillo, el número de boquillas y la longitud axial del anillo. En lugar de probar todas las combinaciones posibles, emplearon un diseño ortogonal—un conjunto estructurado de 25 variantes seleccionadas cuidadosamente—para explorar de forma eficiente cómo estos factores afectan a dos objetivos: la temperatura máxima del bobinado y la presión máxima interna del aceite. Para cada variante, la dinámica de fluidos computacional (CFD) avanzada proporcionó las temperaturas y las presiones. Un análisis de sensibilidad reveló que un parámetro, el diámetro pequeño de la boquilla, tenía con mucho la mayor influencia tanto en la refrigeración como en la presión, aunque las demás dimensiones seguían desempeñando papeles de apoyo importantes.

Dejando que los algoritmos afinen los pequeños detalles

Para ir más allá de estos 25 diseños de prueba, los autores entrenaron una red neuronal para aprender la relación entre la geometría del anillo y el rendimiento de refrigeración, usando los resultados de las simulaciones como conjunto de aprendizaje. Luego encapsularon esta red dentro de un esquema de optimización híbrido que combina optimización por enjambre de partículas con un algoritmo genético multiobjetivo moderno. En términos sencillos, partículas virtuales y «descendientes» recorren el espacio de diseño proponiendo miles de nuevas formas de anillo pulverizador. La red neuronal predice rápidamente la temperatura y la presión de cada candidato, y el algoritmo retiene solo aquellos que equilibran bien ambos objetivos, formando lo que los ingenieros llaman un frente de Pareto. Desde esa frontera, el equipo seleccionó un diseño en el que las boquillas son ligeramente más pequeñas pero más numerosas, y la longitud del anillo y el ángulo de pulverización se ajustan finamente para producir una cobertura de aceite fuerte y uniforme sin elevar demasiado la presión interna.

Lo que aporta el diseño optimizado

Finalmente, el diseño elegido se verificó de nuevo con simulaciones CFD completas. Las temperaturas y presiones máximas predichas y simuladas coincidieron en aproximadamente un 2%, lo que demuestra que el algoritmo integrado fue muy preciso. En comparación con el anillo pulverizador original, la versión optimizada redujo la temperatura máxima del bobinado en un 8,5% y recortó la presión interna máxima del aceite en un 25,6%. Para un motor de vehículo eléctrico, eso se traduce en cobre más frío, menor riesgo de daños magnéticos y una carga menor para la bomba de aceite, todo ello sin cambiar la disposición básica del motor. El trabajo demuestra cómo la combinación de simulaciones de flujo realistas con algoritmos de búsqueda inteligentes puede extraer más rendimiento de hardware existente, señalando el camino hacia propulsores eléctricos de alta potencia más fríos, eficientes y duraderos.

Cita: Liu, Y., Xu, P., Chen, S. et al. Multi-objective optimization design of oil spray cooling system for hairpin motor based on particle swarm optimization-backpropagation-non-dominated sorting genetic algorithm III. Sci Rep 16, 11593 (2026). https://doi.org/10.1038/s41598-026-42028-7

Palabras clave: refrigeración de motor eléctrico, refrigeración por pulverización de aceite, bobinados hairpin, optimización multiobjetivo, vehículos eléctricos