AI-aided design of high-performance thermal energy storage tanks inspired by nature

Abstract

La preocupant disparitat en l’adopció de la biomimètica i la intel·ligència artificial en els sistemes d’emmagatzematge d’energia tèrmica va motivar aquesta recerca en un context de reptes climàtics urgents i de la imperativa transició cap a la utilització d'energies renovables. L’emmagatzematge d’energia tèrmica (TES) representa una tecnologia crucial però tanmateix infrautilitzada per a la gestió de la intermitència de les renovables i de la calor residual industrial, amb un immens potencial de millora de la seva eficiència mitjançant dissenys innovadors.Una anàlisi bibliomètrica inicial va evidenciar una significativa infrarrepresentació d’aquestes aproximacions combinades en comparació amb els sistemes d’emmagatzematge elèctric, i va evidenciar que els algorismes genètics romanien inexplorats en l’optimització de dissenys de dipòsits TES latents malgrat el seu èxit demostrat en àmbits afins. La revisió sistemàtica de la literatura de dues dècades va revelar un potencial no explotat de l’optimització biomimètica en dissenys de tipus tub-i-coberta (shell-and-tube), així com una recerca fragmentada i mancada de consistència metodològica.La investigació va desenvolupar una metodologia innovadora que implementa aproximacions biomimètiques basades en algorismes genètics per a l’optimització del disseny de dipòsits TES latents, traduint principis biològics en paràmetres d’enginyeria. Aquesta metodologia va emprar-se per generar dissenys bioinspirats que van incrementar la superfície de transferència tèrmica en un 29% mantenint-ne la fabricabilitat, mitjançant l'adopció dels principis dels sistemes naturals de regulació tèrmica.L’estudi també va abordar l’estimació de l’estat de càrrega dels dipòsits TES mitjançant una revisió exhaustiva dels mètodes existents, identificant-ne les limitacions en precisió i eficiència computacional. Es va desenvolupar un nou enfocament basat en l’ús combinat de LSTM-RNN i XGBoost, que va assolir una precisió en predicció excepcional (R² > 99,7%) alhora que reduïa en un 80% els costos computacionals.Aquestes contribucions estableixen un nou paradigma que vincula la intel·ligència artificial, la biomimètica i l’emmagatzematge d’energia tèrmica, facilitant una integració més eficient de les energies renovables i reduint l’impacte ambiental en aplicacions industrials.

La alarmante disparidad en la adopción de biomimetismo e inteligencia artificial en sistemas de almacenamiento de energía térmica motivó esta investigación en medio de urgentes desafíos climáticos e imperativos de transición energética renovable. El almacenamiento de energía representa una tecnología crucial pero infrautilizada para gestionar renovables intermitentes y calor residual industrial, con inmenso potencial para mejorar la eficiencia mediante diseños innovadores. El análisis bibliométrico estableció una significativa subrepresentación de estos enfoques combinados en sistemas de almacenamiento térmico versus eléctrico e identificó que los algoritmos genéticos permanecían inexplorados para la optimización de tanques de almacenamiento de energía térmica por calor latente a pesar de su éxito probado en dominios relacionados. La revisión sistemática de literatura abarcando dos décadas reveló potencial inexplotado para optimización biomimética en diseños de carcasa y tubos, y documentó investigaciones fragmentadas sin consistencia metodológica. La investigación desarrolló una metodología novedosa implementando enfoques de algoritmos genéticos biomiméticos para optimización de depósitos de almacenamiento de energía térmica por calor latente que traduce principios biológicos en parámetros de ingeniería. Esta metodología creó diseños bioinspirados que mejoraron el área de transferencia de calor en un 29% manteniendo la fabricabilidad, adaptando principios de sistemas naturales de regulación térmica. La investigación abordó la estimación del estado de carga mediante una revisión exhaustiva de métodos existentes, identificando limitaciones en precisión y eficiencia computacional. Se desarrolló un enfoque de conjunto integrando LSTM-RNN y XGBoost, logrando una precisión de predicción excepcional (R² >99,7%) mientras reducía los requisitos computacionales en un 80%. Estas contribuciones conectan inteligencia artificial, biomimética y almacenamiento de energía térmica, estableciendo un nuevo paradigma que permite una integración más eficiente de energía renovable y reduce el impacto ambiental en aplicaciones industriales.

The alarming disparity in biomimicry and artificial intelligence adoption in thermal energy storage systems motivated this research amid urgent climate challenges and renewable energy transition imperatives. Thermal energy storage (TES) represents a crucial yet underutilized technology for managing intermittent renewables and industrial waste heat, with immense potential for efficiency gains through innovative design. Bibliometric analysis established significant underrepresentation of these combined approaches in thermal versus electrical storage systems and identified that genetic algorithms remained unexplored for latent TES tank optimization despite proven success in related domains. Systematic literature review spanning two decades revealed untapped potential for biomimetic optimization in shell-and-tube designs and documented fragmented research lacking methodological consistency. The research developed a novel methodology implementing biomimetic genetic algorithm approaches for latent TES tank optimization that translates biological principles into engineering parameters. This methodology created bio-inspired designs that improved heat transfer surface area by 29% while maintaining manufacturability, adapting principles from natural thermal regulation systems. The investigation addressed state-of-charge estimation through comprehensive review of existing methods, identifying limitations in accuracy and computational efficiency. An ensemble approach integrating LSTM-RNN and XGBoost was developed, achieving exceptional prediction accuracy (R² >99.7%) while reducing computational requirements by 80%. These contributions bridge artificial intelligence, biomimetics, and thermal energy storage, establishing a new paradigm enabling more efficient renewable energy integration and reducing environmental impact in industrial applications.