Browsing by Author "Barra Pradenas, Valeria Ignacia"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Modelado de una celda de combustible de carbonato fundido mediante el uso de aprendizaje automático.
    (Universidad de Concepción, 2025) Barra Pradenas, Valeria Ignacia; Cuevas Barraza, Cristian Alberto; Escalona Inzunza, Andrés René; Garcés Hernández, Hugo Omar
    Dentro de este estudio se aborda el modelado de una celda de combustible de carbonato fundido (MCFC) mediante la implementación de técnicas de aprendizaje automático, con énfasis en modelos híbridos que incorporan conocimiento físico en el proceso de entrenamiento. Las MCFC representan una tecnología de generación de energía con alta eficiencia y bajo impacto ambiental, gracias a su capacidad para operar con diferentes tipos de combustibles ricos en hidrógeno y su integración en esquemas de cogeneración o captura de CO₂. Sin embargo, su modelado tradicional mediante modelos físicos suele requerir una caracterización detallada del sistema, elevados tiempos de desarrollo y una alta especialización técnica. Frente a este desafío, se propone el uso de redes neuronales artificiales (ANN) como alternativa para modelar el comportamiento de una MCFC a partir de datos experimentales. Además, se implementó un modelo de redes neuronales guiadas por la física (PGNN), el cual incorpora parte de la física del sistema mediante una función de pérdida modificada en la ANN. Este enfoque busca mejorar la generalización fuera del dominio de entrenamiento, superando las limitaciones de modelos basados solo en datos. Durante el desarrollo del trabajo se exploraron diferentes configuraciones de red, y luego se comparó el desempeño de una ANN tradicional, con regularización y la PGNN, mediante métricas como MSE, MAE y R², evaluando tanto el desempeño dentro del dominio de entrenamiento como su capacidad predictiva en condiciones no vistas. Los resultados exponen que el modelo PGNN mejora la capacidad de extrapolación fuera del dominio (R2 = 0.7881), reduciendo el sobreajuste y logrando un mejor balance entre precisión y generalización (R2 = 0.9591 en entrenamiento) en comparación con los modelos basados solo en datos (R2 = 0.9854 en entrenamiento y R2 = -3.5138 fuera del dominio) o con regularización de los pesos de la red neuronal (R2 = 0.9504 en entrenamiento y R2 = 0.1291 fuera del dominio), destacando la utilidad de integrar conocimiento físico en la función de pérdida para optimizar el desempeño del algoritmo. También, se comenta su utilidad frente a otros tipos de modelos, que no son de aprendizaje automático, para disminuir el costo computacional asociado a hacer el modelo y obtener las predicciones. Finalmente, se discute la proyección de este tipo de esquemas en contextos industriales reales, como en plantas piloto, sistemas de cogeneración y sistemas de captura de carbono acoplados a fuentes de emisión. Como trabajo futuro se plantea explorar modelos PINN más sofisticados, los cuales integran dinámicas temporales del sistema mediante el uso de datos secuenciales. Este estudio busca así contribuir al avance del modelado de celdas de combustible mediante herramientas basadas en datos y conocimiento físico, sentando las bases para soluciones más eficientes, escalables y sostenibles en la transición hacia tecnologías energéticas limpias.
Síguenos en...