Investigadores han desarrollado un marco numérico y de aprendizaje automático para optimizar el diseño de aletas en encapsulamientos avanzados, con el objetivo de acelerar la fusión de materiales de cambio de fase (PCM). Estos materiales, que almacenan y liberan energía térmica durante sus transiciones de fase, son cruciales para sistemas de almacenamiento de energía térmica (TES). Sin embargo, su baja conductividad térmica inherente limita la eficiencia de la transferencia de calor, un obstáculo que las aletas metálicas pueden mitigar al aumentar la superficie de intercambio y mejorar la conductividad efectiva.
El estudio se centra en la configuración estratégica de estas aletas para maximizar la velocidad de fusión del PCM. El marco propuesto combina simulaciones de dinámica de fluidos computacional (CFD) con algoritmos de aprendizaje automático, permitiendo explorar un vasto espacio de diseño de manera eficiente. Esto representa un avance significativo sobre los métodos tradicionales de prueba y error o la optimización manual, que son costosos y lentos. La integración de la inteligencia artificial permite identificar geometrías de aletas no intuitivas que superan a los diseños convencionales.
Los resultados demuestran que el enfoque basado en IA puede predecir y diseñar configuraciones de aletas que reducen drásticamente el tiempo de fusión del PCM en comparación con diseños no optimizados. La metodología no solo acelera el proceso de diseño, sino que también ofrece una comprensión más profunda de la interacción entre la geometría de las aletas y los patrones de transferencia de calor dentro del PCM. Este avance es fundamental para la implementación práctica de sistemas TES más compactos y eficientes en diversas aplicaciones, desde la climatización de edificios hasta la gestión térmica de dispositivos electrónicos y vehículos eléctricos.
Este trabajo abre nuevas vías para el diseño de sistemas de almacenamiento de energía térmica de alto rendimiento. La capacidad de optimizar rápidamente las configuraciones de aletas mediante IA podría acelerar el desarrollo de la próxima generación de soluciones de gestión térmica, contribuyendo a una mayor eficiencia energética y a la integración de energías renovables. Se espera que futuras investigaciones exploren la aplicación de este marco a otros tipos de PCM y configuraciones de encapsulamiento más complejas, así como la optimización multiobjetivo que considere no solo la velocidad de fusión, sino también la minimización de material o el coste.