⚡ electrical engineering

Impact of Physics-Informed Features on Neural Network Complexity for Li-ion Battery Voltage Prediction in Electric Vertical Takeoff and Landing Aircrafts

Este estudio demuestra que la integración de características basadas en la física en modelos de redes neuronales permite predecir el voltaje de baterías para eVTOL con una precisión comparable a los modelos puramente de datos, pero reduciendo hasta un 75% la complejidad computacional y el número de parámetros.

Autores originales: Eymen Ipek, Mario Hirz

Publicado 2026-02-10

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Eymen Ipek, Mario Hirz

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El "Cerebro" de los Taxis Voladores: ¿Cómo predecir la energía de una batería sin usar una supercomputadora?

Imagina que estás diseñando un taxi volador eléctrico (eVTOL). Estos vehículos son como atletas de alto rendimiento: de repente necesitan una explosión de energía para despegar, luego mantienen un ritmo constante y, finalmente, vuelven a dar un esfuerzo máximo para aterrizar. Todo esto depende de una sola cosa: la batería.

Si la batería se queda sin fuerza en el momento equivocado, el problema es grave. Por eso, necesitamos un "cerebro" (un sistema de gestión) que pueda predecir con exactitud cuánta energía queda y cómo se comportará el voltaje en cada segundo.

El problema: Los dos caminos fallidos

Para resolver esto, los ingenieros suelen elegir entre dos caminos, pero ambos tienen "truco":

El camino de la "Caja Negra" (Inteligencia Artificial pura): Es como un estudiante que memoriza miles de exámenes pasados. Es muy inteligente y puede predecir cosas complejas, pero necesita una memoria gigante y una computadora muy potente para funcionar. En un taxi volador, donde el espacio y el peso son críticos, no puedes llevar una supercomputadora a bordo. Además, si el taxi vuela en una condición que el estudiante nunca vio, se confunde por completo.
El camino de las "Fórmulas Matemáticas" (Modelos Físicos): Es como un profesor de física que conoce las leyes de la naturaleza. Sabe cómo se mueve la electricidad, pero es demasiado rígido. No sabe adaptarse a los "imprevistos" o a los cambios extraños que ocurren cuando la batería se envejece o hace mucho calor.

La solución del estudio: El "Estudiante con Mentor" (Physics-Informed Machine Learning)

Los investigadores de este estudio propusieron algo brillante: mezclar ambos mundos. En lugar de dejar que la Inteligencia Artificial (IA) aprenda desde cero, le dieron un "mentor" que es la física.

La analogía del Chef:

La IA pura es como un aprendiz de cocina que intenta aprender a cocinar solo probando platos al azar. Tarda mucho, comete errores y necesita una cocina gigante llena de ingredientes.
La Física pura es como un libro de recetas perfecto, pero que no sabe qué hacer si un ingrediente está un poco pasado o si el horno calienta de más.
El método de este estudio (PINN) es como un aprendiz que ya tiene el libro de recetas (la física). El aprendiz no tiene que adivinar cómo se hace una sopa; ya sabe la base. Su único trabajo es usar su intuición para ajustar la sal o el picante (los errores que la física no puede explicar).

¿Cuáles fueron los resultados?

Al darle a la IA las "reglas del juego" (las leyes de la física de la batería), ocurrió algo asombroso:

Mucho más inteligente con menos esfuerzo: La IA no necesitó ser un "genio gigante" con millones de conexiones. Con un cerebro mucho más pequeño y simple, logró ser más precisa que las IAs gigantescas.
Ahorro de espacio y energía: El modelo resultante es hasta un 75% más ligero (tiene menos parámetros). Esto es vital porque significa que puedes meter este "cerebro" en un chip pequeño y barato dentro del taxi, sin que consuma la energía que debería usar para volar.
Menos errores: Los errores de predicción bajaron a la mitad. Es como pasar de intentar adivinar el clima con una moneda a usar un barómetro profesional.

En resumen

Este estudio demuestra que, para que los taxis voladores sean seguros y eficientes, no necesitamos computadoras más grandes, sino computadoras más sabias. Al enseñarles las leyes de la física, logramos que la inteligencia artificial sea ligera, rápida y extremadamente precisa.

Resumen Técnico: Impacto de las Características Informadas por la Física en la Complejidad de Redes Neuronales para la Predicción de Voltaje en Baterías de Li-ion para eVTOL

Problema
La electrificación de las aeronaves de despegue y aterrizaje vertical (eVTOL) presenta desafíos críticos para los Sistemas de Gestión de Baterías (BMS). Los perfiles de misión de los eVTOL implican pulsos de alta potencia (despegue y aterrizaje) que generan caídas de voltaje rápidas y estrés térmico. Actualmente, existe un compromiso (trade-off) entre dos enfoques:

Modelos basados en física (como el P2D): Son altamente precisos pero computacionalmente prohibitivos para el control en tiempo real.
Modelos de Circuito Equivalente (ECM): Son rápidos pero fallan al capturar las no linealidades y la dinámica extrema de altas tasas de descarga (C-rate) típicas de la aviación.
Modelos de Aprendizaje Profundo (DNN) puros: Son precisos pero actúan como "cajas negras", requieren gran capacidad de cómputo (memoria y tiempo de inferencia) y tienen problemas de extrapolación fuera de su dominio de entrenamiento.

Metodología
El estudio propone un enfoque de Aprendizaje Automático Informado por la Física (PIML) mediante un modelo híbrido de residuo. En lugar de que la red neuronal aprenda toda la dinámica desde cero, se utiliza un modelo de circuito equivalente de segundo orden (2RC) como "guía" o prior físico.

Arquitectura FNN (Feedforward Neural Network): Un modelo puramente basado en datos que intenta mapear directamente las condiciones operativas ( $I, SOC, T, N, \Delta t$ ) al voltaje terminal.
Arquitectura PINN (Physics-Informed Neural Network): Un modelo híbrido donde el voltaje final se calcula como:
$V_{pred} = V_{phy} + \Delta V_{\theta}(x)$
Donde $V_{phy}$ es la estimación basada en la física (modelo 2RC) y la red neuronal $\Delta V_{\theta}$ solo tiene la tarea de aprender el residuo (el error o la no linealidad que la física no logra explicar). Esto reduce drásticamente el espacio de búsqueda de la red.
Datos: Se utilizó un conjunto de datos de baterías de eVTOL, entrenando con cuatro celdas bajo diversas condiciones (variaciones de potencia, temperatura y tiempo de crucero) y validando con una quinta celda no vista (VAH11) en un estado de envejecimiento maduro (ciclo 600).

Contribuciones Clave

Integración de modelos híbridos: Demostrar que inyectar conocimiento físico (modelo 2RC) en la arquitectura de la red permite simplificar la estructura del modelo.
Compresión de modelos: Probar que la información física actúa como un regularizador que permite alcanzar mayor precisión con arquitecturas mucho más pequeñas.
Optimización para Edge AI: Proponer una solución viable para hardware de BMS con recursos limitados (procesadores embebidos en aeronaves).

Resultados
Los resultados muestran una superioridad clara de los modelos informados por la física:

Precisión: El PINN óptimo (2 capas, 64 neuronas) alcanzó un RMSE de 20.1 mV y un $R^2$ de 99.2%. En comparación, la FNN más compleja (4 capas, 128 neuronas) solo logró un RMSE de 39.2 mV.
Reducción de errores: Los modelos PINN redujeron tanto el RMSE como los errores transitorios máximos en aproximadamente un 50% respecto a las FNN.
Eficiencia computacional: Los modelos PINN lograron una precisión superior utilizando hasta un 75% menos de parámetros entrenables que los modelos puramente basados en datos.

Significancia
Este trabajo es fundamental para la seguridad y eficiencia de la aviación eléctrica. Al demostrar que es posible obtener modelos de alta fidelidad con una carga computacional mínima, se facilita la implementación de algoritmos de predicción de voltaje avanzados directamente en el hardware de vuelo (on-board). Esto permite estimaciones más precisas del Estado de Carga (SOC) y del Estado de Potencia (SOP), garantizando márgenes de seguridad críticos durante las fases de despegue y aterrizaje de los eVTOL.