AI-aided design of high-performance thermal energy storage tanks inspired by nature

La preocupant disparitat en l’adopció de la biomimètica i la intel·ligència artificial en els sistemes d’emmagatzematge d’energia tèrmica va motivar aquesta recerca en un context de reptes climàtics urgents i de la imperativa transició cap a la utilització d'energies renovables. L’emmagatzematge d’energia tèrmica (TES) representa una tecnologia crucial però tanmateix infrautilitzada per a la gestió de la intermitència de les renovables i de la calor residual industrial, amb un immens potencial de millora de la seva eficiència mitjançant dissenys innovadors.Una anàlisi bibliomètrica inicial va evidenciar una significativa infrarrepresentació d’aquestes aproximacions combinades en comparació amb els sistemes d’emmagatzematge elèctric, i va evidenciar que els algorismes genètics romanien inexplorats en l’optimització de dissenys de dipòsits TES latents malgrat el seu èxit demostrat en àmbits afins. La revisió sistemàtica de la literatura de dues dècades va revelar un potencial no explotat de l’optimització biomimètica en dissenys de tipus tub-i-coberta (shell-and-tube), així com una recerca fragmentada i mancada de consistència metodològica.La investigació va desenvolupar una metodologia innovadora que implementa aproximacions biomimètiques basades en algorismes genètics per a l’optimització del disseny de dipòsits TES latents, traduint principis biològics en paràmetres d’enginyeria. Aquesta metodologia va emprar-se per generar dissenys bioinspirats que van incrementar la superfície de transferència tèrmica en un 29% mantenint-ne la fabricabilitat, mitjançant l'adopció dels principis dels sistemes naturals de regulació tèrmica.L’estudi també va abordar l’estimació de l’estat de càrrega dels dipòsits TES mitjançant una revisió exhaustiva dels mètodes existents, identificant-ne les limitacions en precisió i eficiència computacional. Es va desenvolupar un nou enfocament basat en l’ús combinat de LSTM-RNN i XGBoost, que va assolir una precisió en predicció excepcional (R² > 99,7%) alhora que reduïa en un 80% els costos computacionals.Aquestes contribucions estableixen un nou paradigma que vincula la intel·ligència artificial, la biomimètica i l’emmagatzematge d’energia tèrmica, facilitant una integració més eficient de les energies renovables i reduint l’impacte ambiental en aplicacions industrials.