Physics-Informed Machine Learning for Pouch Cell Temperature Estimation

A continuación presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Resumen Técnico: Estimación de Temperatura en Celdas de Pouch Mediante Aprendizaje Automático Informado por Física (PIML)

1. Planteamiento del Problema

La transición hacia la electrificación del transporte ha incrementado la demanda de sistemas de almacenamiento de energía avanzados, siendo las celdas de tipo "pouch" (bolsa) una opción prometedora debido a su alta densidad energética y flexibilidad de diseño. Sin embargo, la gestión térmica es un desafío crítico, ya que la temperatura afecta directamente el rendimiento, la vida útil y la seguridad (riesgo de fuga térmica).

El problema central abordado en este trabajo es la estimación precisa de los perfiles de temperatura en celdas de pouch con refrigeración líquida indirecta (placas frías con canales integrados). Las limitaciones de los enfoques actuales son:

• Simulaciones por Elementos Finitos (FE): Aunque precisas, son computacionalmente costosas, lo que las hace inviables para optimizaciones iterativas rápidas en el diseño de sistemas de gestión térmica (BTMS).
• Modelos puramente basados en datos: Aunque rápidos, dependen de grandes volúmenes de datos de entrenamiento y a menudo fallan en generalizar en escenarios con datos escasos o violan las leyes físicas fundamentales, produciendo resultados poco realistas.

2. Metodología

El autor propone un marco de Aprendizaje Automático Informado por Física (PIML) que integra las ecuaciones de transferencia de calor directamente en el proceso de entrenamiento de una red neuronal.

• Formulación del Problema Físico:

  • Se simplifica la celda de pouch (154 × 203 × 7.2 mm) a un problema de conducción de calor bidimensional (2D) en estado estacionario.
  • Se utiliza la Ecuación de Difusión de Calor para una placa delgada con generación interna de calor y enfriamiento convectivo localizado:
    $$k \cdot t \cdot \nabla^2 T + q_{gen} - h(x, y) \cdot (T - T_{coolant}) = 0$$
  • Se asumen bordes adiabáticos y se modela el coeficiente de convección $h(x,y)$ mediante una máscara binaria que distingue entre las zonas bajo los canales de refrigeración y el fondo.

• Generación de Datos:

  • Se emplea el Método de Diferencias Finitas (FDM) para generar un conjunto de datos de referencia ("ground truth") variando sistemáticamente la geometría de los canales de refrigeración (100 muestras únicas).

• Enfoques Comparativos:

  1. Método Puramente Basado en Datos: Se entrena una Red Neuronal Convolucional Totalmente Convolucional (FCN) que mapea directamente la geometría de entrada (máscara de canales) al campo de temperatura. El objetivo es minimizar el Error Cuadrático Medio (MSE) entre la predicción y los datos FDM.
  2. Método PIML (PINN): Se implementa una Red Neuronal Informada por Física (PINN). A diferencia del modelo anterior, la red toma coordenadas espaciales continuas $(x, y)$ como entrada y predice la temperatura $T(x, y)$.
     • Función de Pérdida Compuesta: El entrenamiento minimiza una función de pérdida total ($L_{total}$) que combina:
       • $L_{MSE}$: Error entre la predicción y los datos (si están disponibles).
       • $L_{PDE}$: Residuo de la ecuación diferencial parcial (la física).
       • $L_{BC}$: Penalización por incumplimiento de las condiciones de frontera (adiabáticas).

3. Contribuciones Clave

• Integración de Física y Datos: Se demuestra cómo incrustar las ecuaciones de transferencia de calor en la función de pérdida de una red neuronal para mejorar la fiabilidad y la precisión, incluso con conjuntos de datos limitados.
• Marco de Modelado Sustituto Eficiente: Se propone un enfoque que supera las limitaciones de los métodos puramente basados en datos, ofreciendo un modelo sustituto robusto para el diseño de BTMS.
• Validación en Geometrías Variables: El marco se evalúa específicamente en configuraciones de canales de refrigeración variables, un escenario crítico para la optimización de placas frías.

4. Resultados

• Convergencia Rápida: El modelo PIML demuestra una convergencia significativamente más rápida que el modelo puramente basado en datos. Después de solo 10 épocas de entrenamiento, el error cuadrático medio (MSE) del modelo PIML disminuyó a 5.66, mientras que el modelo basado en datos fue de 11.12.
• Reducción del Error: Se logró una reducción del 49.1% en el MSE del modelo PIML en comparación con el modelo basado en datos.
• Precisión en Zonas Críticas: El modelo PIML superó al modelo convencional, especialmente en regiones alejadas de los canales de refrigeración, donde los métodos puramente basados en datos tienden a fallar debido a la falta de datos de entrenamiento específicos en esas áreas.
• Generalización: La validación en casos de prueba independientes confirmó que el modelo PIML mantiene una alta fidelidad y cumple con las restricciones físicas, evitando predicciones implausibles.

5. Significado e Impacto

Este estudio subraya el potencial del PIML como una herramienta esencial para la optimización del diseño y el modelado sustituto en sistemas de baterías avanzados.

• Eficiencia Computacional: Permite realizar predicciones de alta fidelidad con un costo computacional mucho menor que las simulaciones FEM tradicionales, facilitando la optimización iterativa de diseños de refrigeración.
• Reducción de Costos: Al reducir la dependencia de pruebas experimentales extensas y simulaciones pesadas, acelera el desarrollo de sistemas de gestión térmica más seguros y eficientes.
• Futuro: El trabajo sienta las bases para futuras investigaciones que extenderán este marco a la optimización de diseños avanzados de canales de refrigeración y su validación experimental en entornos reales de vehículos eléctricos.