Evaluación de un algoritmo de optimización inspirado en la enfermedad por coronavirus modificado para la estimación de parámetros de pilas de combustible de membrana de intercambio protónico

Energía más inteligente para un futuro más limpio

Mientras el mundo busca formas más limpias de alimentar coches, viviendas y dispositivos, las pilas de combustible destacan porque convierten hidrógeno en electricidad con poco ruido y casi ninguna contaminación local. Pero sacar el máximo partido a estos dispositivos implica conocer un puñado de parámetros ocultos dentro de cada pila. Este estudio presenta un nuevo método de búsqueda inteligente que puede descubrir esos parámetros ocultos de manera más precisa y rápida, ayudando a los ingenieros a diseñar sistemas más eficientes y allanando el camino para mejores gemelos digitales y control de vehículos alimentados por pilas de combustible.

Por qué las pilas de combustible necesitan un ajuste cuidadoso

Las pilas de combustible de membrana de intercambio protónico, o pilas PEM, son prometedoras para todo, desde centrales eléctricas estacionarias hasta portátiles y automóviles eléctricos. Dentro de cada celda, reacciones químicas, calor, agua y electricidad interactúan de formas complejas. Los fabricantes rara vez publican todos los parámetros detallados que describen este comportamiento, como la rapidez de inicio de las reacciones, la pérdida de voltaje en la membrana o cómo se difunden los gases por la celda. Sin embargo, estos números son vitales para predecir cómo se comportará una celda bajo distintas cargas y temperaturas, detectar fallos de forma temprana y diseñar controladores que mantengan el sistema eficiente y seguro. Encontrarlos implica ajustar un modelo una y otra vez hasta que su curva voltaje-corriente coincida lo más estrechamente posible con las mediciones reales.

Búsqueda inspirada en la naturaleza para mejores soluciones

Dado que el espacio de búsqueda para estos parámetros ocultos es amplio y tortuoso, los investigadores suelen recurrir a algoritmos metaheurísticos, que imitan procesos naturales como enjambres de animales, caza de depredadores o fenómenos físicos como la formación de hielo. En los últimos años se han probado muchos de estos métodos en modelos de pilas de combustible, incluidos variantes de evolución diferencial, optimizadores inspirados en morsas y conejos, esquemas de colonia de hormigas e incluso aprendizaje por refuerzo. Estos enfoques buscan minimizar la brecha entre los voltajes medidos y simulados, normalmente expresada como la suma de errores al cuadrado. Aunque varios pueden alcanzar buenas soluciones, a menudo les cuesta equilibrar una exploración amplia de posibilidades con una mejora enfocada, corriendo el riesgo de progresar lentamente o quedar atrapados en óptimos locales.

Una variante con memoria de un método inspirado en un virus

Los autores se basan en un algoritmo reciente llamado Coronavirus Disease Optimization Algorithm, que imita cómo un virus entra en células, se replica y muta. En su forma original, este método explora bien pero tiende a deambular sin una fuerte guía por las mejores soluciones halladas hasta el momento. La nueva versión, llamada memory based COVIDOA, añade dos ideas. Primero, mantiene una memoria de candidatos de élite y permite que guíen al resto de la población, cambiando gradualmente de una exploración amplia al principio a un afinamiento alrededor de las soluciones más fuertes más adelante. Segundo, introduce una estrategia de exploración aleatoria que puede sacudir el sistema cuando todos los candidatos empiezan a parecerse demasiado entre sí. Juntas, estas modificaciones están diseñadas para mejorar tanto la velocidad como la precisión, preservando a la vez la diversidad en la búsqueda.

Qué tan bien funciona el nuevo método

Antes de abordar las pilas de combustible, el equipo probó el algoritmo basado en memoria en un conjunto estándar de 12 desafíos matemáticos difíciles, comparándolo con el COVIDOA original y otros cuatro optimizadores populares. En la mayoría de estas pruebas, el nuevo método entregó valores objetivos más bajos, menor variación entre ejecuciones y convergencia más rápida. Comprobaciones estadísticas confirmaron que estas mejoras no se debieron al azar. Los investigadores aplicaron luego el método a un conjunto real de pilas PEM conocido como NedStack PS6, donde había que identificar seis parámetros clave de un modelo semiempirico ampliamente usado dentro de límites realistas. El objetivo era ajustar una curva voltaje-corriente medida minimizando la suma de errores al cuadrado entre los voltajes predichos y observados en 30 ejecuciones independientes por algoritmo.

Resultados con datos reales de pilas de combustible

En los datos de NedStack PS6, el método basado en memoria alcanzó el valor de error más bajo, ligeramente mejor que los mejores enfoques competidores, y lo hizo con menor dispersión entre ejecuciones. Sus parámetros ajustados produjeron predicciones de voltaje que siguieron de cerca los valores medidos en un amplio rango de corrientes. Los gráficos de convergencia mostraron que, mientras otros algoritmos eventualmente podían acercarse a buenas soluciones, el nuevo método normalmente se asentaba en una región de alta calidad antes, lo cual es importante para aplicaciones en tiempo real o embebidas con capacidad informática limitada. Los diagramas de caja y las curvas de robustez reforzaron esta imagen, revelando tanto mayor fiabilidad como comportamiento más consistente de ejecución a ejecución en comparación con otros métodos inspirados en enjambres y virus.

Qué significa esto para los sistemas de energía limpia

En términos sencillos, el estudio muestra que una versión más inteligente, asistida por memoria, de una estrategia de búsqueda inspirada en virus puede determinar los parámetros ocultos de un modelo de pila de combustible con mayor precisión y fiabilidad que varios competidores consolidados. Con mejores modelos, los ingenieros pueden construir gemelos digitales que reflejen pilas de combustible reales en software, permitiéndoles probar nuevas estrategias de control, predecir rendimiento y detectar problemas sin arriesgar el hardware. Aunque este trabajo se centró en una pila específica, el enfoque es general y puede aplicarse a otros dispositivos de energía limpia y sistemas complejos donde parámetros importantes son difíciles de medir directamente.

Cita: Ismaeel, A.A.K., El-Rifaie, A.M., Hashim, F.A. et al. Assessment of a modified Coronavirus Disease Optimization Algorithm for Parameter Estimation of Proton Exchange Membrane Fuel Cells. Sci Rep 16, 15988 (2026). https://doi.org/10.1038/s41598-026-52533-4

Palabras clave: pila de combustible de membrana de intercambio protónico, estimación de parámetros, optimización metaheurística, gemelo digital, sistemas de energía limpia