Un método de estimación de parámetros para modelar pilas de combustible de membrana de intercambio protónico basado en un algoritmo diferencial evolutivo meta‑evolutivo mejorado

Ajuste más inteligente para dispositivos de energía limpia

Las pilas de combustible suelen presentarse como una vía prometedora hacia vehículos, autobuses y sistemas de respaldo más limpios. Pero para diseñar y controlar bien estos dispositivos, los ingenieros necesitan modelos matemáticos que se comporten como el equipo real. Este artículo presenta una nueva forma de afinar esos modelos de manera automática, de modo que coincidan más estrechamente con los datos experimentales. El trabajo se centra en las pilas de combustible de membrana de intercambio protónico (PEMFC), un tipo de pila líder, y muestra cómo un algoritmo de búsqueda avanzado puede descubrir los parámetros ocultos que rigen su rendimiento.

Por qué importan los “mandos” de la pila de combustible

Dentro de una pila PEM ocurren simultáneamente muchos procesos físicos y químicos: los gases fluyen, se producen reacciones en los electrodos y los iones se desplazan a través de una membrana. A menudo los ingenieros no pueden medir directamente los “mandos” internos clave de este sistema, como las resistencias de contacto o la facilidad con la que los gases difunden por los poros microscópicos. En su lugar, infieren estos valores ajustando un modelo hasta que su curva voltaje‑corriente predicha se alinee con lo observado en los experimentos. Hacer esto bien es vital: los modelos precisos ayudan a diseñar pilas para vehículos eléctricos y redes eléctricas, planificar mantenimiento, detectar fallos de forma temprana y reducir la necesidad de costosos prototipos.

Por qué los métodos tradicionales se quedan cortos

Encontrar los parámetros adecuados no es un simple ejercicio de ajuste de curvas. Las ecuaciones que gobiernan las pilas PEM son altamente no lineales, y muchos parámetros se influyen mutuamente. Los métodos clásicos, como la regresión por mínimos cuadrados y la búsqueda basada en gradiente, a menudo quedan atrapados en soluciones pobres o requieren un ajuste manual cuidadoso. En la última década, los investigadores han recurrido a las llamadas meta‑heurísticas—estrategias de búsqueda inspiradas en la evolución, los enjambres o el comportamiento presa‑depredador—para explorar muchas posibles combinaciones de parámetros. Estos enfoques funcionan mejor en paisajes difíciles, pero siguen dependiendo en gran medida de sus propios “ajustes”, como el tamaño del paso a la hora de mutar una solución candidata.

Una búsqueda evolutiva que se mejora sola

Los autores parten de una meta‑heurística bien conocida llamada evolución diferencial y la envuelven en una segunda capa evolutiva. En su algoritmo diferencial evolutivo meta‑evolutivo mejorado (EMEDEA), un proceso evolutivo exterior (“evolver”) busca buenos ajustes para el optimizador interno: su fuerza de mutación, tasa de mezcla y estrategia de búsqueda preferida. El optimizador interno (“executor”) usa entonces esos ajustes para buscar los mejores parámetros de la pila de combustible, juzgando las soluciones por lo pequeño que es el sumatorio de las diferencias al cuadrado entre los voltajes medidos y los predichos de la pila. Se añade aprendizaje por oposición: para cada ajuste probado, también se evalúa su “imagen espejo” en el espacio de búsqueda, manteniendo amplia la exploración. Los rangos permitidos para los ajustes clave se ajustan dinámicamente: se estrechan cuando hay buen progreso para refinar zonas prometedoras y se amplían cuando el avance se estanca para escapar de callejones sin salida. Todo esto se implementa en procesadores gráficos para evaluar en paralelo muchas soluciones candidatas.

Poniendo el método a prueba

Antes de aplicar EMEDEA a pilas reales, el equipo lo evaluó en funciones matemáticas estándar de prueba, donde se conoce el óptimo verdadero. Comparaciones estadísticas mostraron que su método superó de forma consistente tanto a la evolución diferencial básica como a una variante meta‑evolutiva anterior, convergiendo más rápido y de forma más fiable. Los autores aplicaron luego EMEDEA a tres pilas PEM diferentes con potencias de 250 vatios a 5 kilovatios. Para cada dispositivo, el algoritmo estimó siete parámetros empíricos clave que gobiernan pérdidas por activación, resistencia óhmica y efectos de transporte de masa. En todos los casos, el modelo resultante reprodujo las curvas voltaje‑corriente experimentales con errores muy pequeños, y la desviación cuadrática total fue menor que la alcanzada por una amplia gama de algoritmos propuestos recientemente, incluidas estrategias avanzadas de enjambre e híbridas.

Qué significa esto para las pilas de combustible del futuro

El estudio demuestra que dotar a un algoritmo de optimización de la capacidad de autoadaptarse puede resultar beneficioso en la práctica. EMEDEA no solo encuentra conjuntos de parámetros que encajan estrechamente con los experimentos, sino que también alcanza esas soluciones en relativamente pocas iteraciones, lo que importa cuando cada evaluación del modelo es computacionalmente cara. Aunque el trabajo se centra en comportamiento en estado estable y se apoya en buenos datos de laboratorio, los autores sostienen que la misma idea podría extenderse para seguir parámetros que cambian con el tiempo, incorporar degradación y efectos térmicos, y ejecutarse en sistemas de control en tiempo real. En términos sencillos, ofrecen un “motor de calibración” automático más inteligente que podría ayudar a que los sistemas de pilas de combustible futuros funcionen con mayor eficiencia, duren más y se integren con mayor confianza en vehículos y redes eléctricas.

Cita: Pattanaik, V., Parida, S.M., Malika, B.K. et al. A parameter estimation method for modelling proton exchange membrane fuel cell based on enhanced meta evolutionary differential evolution algorithm. Sci Rep 16, 12672 (2026). https://doi.org/10.1038/s41598-026-42394-2

Palabras clave: pila de combustible de membrana de intercambio protónico, estimación de parámetros, optimización evolutiva, evolución diferencial, modelado de energía limpia