Investigadores del Instituto Tecnológico de Massachusetts (MIT) han desarrollado una nueva herramienta basada en aprendizaje automático llamada Alpha-Fuel-Cell, que puede mejorar significativamente el rendimiento de las pilas de combustible de metanol directo (DMFC). Los resultados de la investigación relacionados se han publicado en la revista Nature Energy.
Las pilas de combustible de metanol directo, como una solución energética muy prometedora, pueden convertir la energía del metanol en electricidad, con el potencial de alimentar sistemas de energía portátiles para grandes dispositivos electrónicos, vehículos, etc. Sin embargo, su rendimiento disminuye significativamente con el tiempo, debido a la reducción gradual de la eficiencia del material que cataliza las reacciones de la pila (la superficie electrocatalítica). Anteriormente, el método de ajustar el voltaje de la pila de combustible para limpiar la superficie y prevenir la acumulación de sustancias tóxicas resultaba poco práctico en aplicaciones reales, ya que el ajuste manual requería considerar numerosos procesos físicos y químicos.
Esta nueva herramienta computacional, Alpha-Fuel-Cell, puede monitorear el estado del catalizador y ajustar el voltaje aplicado en consecuencia. El estudio encontró que, en comparación con las estrategias tradicionales de operación manual de voltaje, puede aumentar la potencia media de las pilas de combustible de metanol directo en un 153%.
El equipo de investigación tenía como objetivo evaluar el potencial de los modelos de inteligencia artificial para mejorar el rendimiento de las pilas de combustible de metanol, demostrando la eficacia de las técnicas de aprendizaje automático para optimizar el voltaje necesario para limpiar superficies electrocatalíticas en sistemas reales. Alpha-Fuel-Cell está compuesta por un actor y un crítico. El actor analiza el historial operativo de la pila de combustible para controlar el sistema, mientras que el crítico evalúa el valor de las acciones según el estado de la pila. Adopta una arquitectura de "actor-crítico", aprendiendo nuevos conocimientos mediante prueba y error. Su sistema de evaluación incluye una rama de estado (que utiliza redes neuronales convolucionales) para analizar el estado de la pila de combustible y una rama de acción (que depende de redes neuronales feedforward estándar) para identificar acciones.
Esta arquitectura neuronal de "actor-crítico" no requiere grandes cantidades de datos de entrenamiento. Los investigadores lograron buenos resultados utilizando un conjunto de datos de aproximadamente 1000 trayectorias voltaje-tiempo (recopiladas en solo dos semanas) obtenidas en entornos reales. Este controlador es una arquitectura en tiempo real y adaptable al objetivo, que puede aprender directamente de datos experimentales sin necesidad de simuladores. Es la primera vez que se demuestra la combinación de inteligencia artificial con dispositivos energéticos, manteniendo la potencia máxima de la pila de combustible mediante una función automática de autorreparación del catalizador, y también puede identificar el momento óptimo de descanso para la recuperación de la pila.
Actualmente, el nuevo método diseñado por el equipo de investigación se perfeccionará aún más y se probará en experimentos más amplios y escenarios prácticos. En el futuro, se espera que mejore el rendimiento y prolongue la vida útil de las pilas de combustible de metanol directo, sin necesidad de equipos costosos. Los investigadores también planean escalar el método desde una sola pila de laboratorio hasta pilas más grandes del mundo real, añadir limitaciones de seguridad y duración, y probar y generalizar el método en pilas y otros sistemas electroquímicos.
Más información: Hongbin Xu et al., Un algoritmo actor-crítico para maximizar la potencia de las pilas de combustible de metanol directo, Nature Energy (2025).
