Modelling the thermal behaviour of Thermal Energy Storage Tanks with Artificial Intelligence: neural network based architectures

• Autores: Edgar felipe Rojas Cala
• Directores de la Tesis: Luisa F. Cabeza Fabra (dir. tes.), Carles Mateu Piñol (dir. tes.), Ramón Béjar Torres (dir. tes.)
• Lectura: En la Universitat de Lleida ( España ) en 2025
• Idioma: español
• Número de páginas: 80
• Enlaces
  • Tesis en acceso abierto en: TDX
• Resumen
  • español

    Las fuentes de energía renovable se enfrentan a múltiples desafíos, entre los cuales se encuentra la necesidad de garantizar una producción continua. Una solución a este problema es el almacenamiento de la energía generada para su utilización en momentos en que dichas fuentes no resulten eficientes. Una alternativa viable es el almacenamiento de energía térmica (TES, por sus siglas en inglés). Esta tecnología consiste en un sistema compuesto por una parte de transporte y otra de almacenamiento, siendo esta última crucial, ya que permite reducir las pérdidas energéticas y aumentar la eficiencia del sistema. El modelado del almacenamiento de energía térmica, específicamente mediante dinámica de fluidos computacional (CFD, por sus siglas en inglés), requiere en la mayoría de los casos herramientas especializadas, personal capacitado y una inversión considerable tanto en recursos computacionales como económicos. En este contexto, el presente estudio propone una alternativa más accesible y eficiente a los métodos convencionales de modelado: el uso de herramientas de inteligencia artificial (IA) para la simulación de tanques TES. La investigación se inició con una revisión del estado del arte, en la que se identificó una oportunidad de desarrollo debido a un vacío existente en la aplicación de IA al modelado de depósitos TES. A partir de este hallazgo, se llevó a cabo una primera fase experimental en la que, utilizando un diseño simple de depósito TES, se entrenó un modelo de red neuronal con datos generados mediante simulaciones CFD convencionales. Los resultados obtenidos fueron prometedores y señalaron el potencial de esta aproximación para su aplicación a mayor escala. En una segunda etapa, la investigación se orientó al desarrollo de una herramienta de IA más robusta, versátil y escalable para el modelado de depósitos TES. Se plantearon dos objetivos principales: en primer lugar, modelar el comportamiento del depósito en distintos momentos temporales; en segundo lugar, permitir la generalización del modelo a diferentes configuraciones de depósito, variando la cantidad de componentes internos. Ambas líneas de trabajo arrojaron resultados alentadores. No obstante, se evidenció la necesidad de una investigación más profunda y multidisciplinaria que aborde otros aspectos relevantes, con el fin de desarrollar una herramienta capaz de reemplazar los métodos actuales de modelado de depósitos TES.

  • català

    Les fonts d’energia renovable s’enfronten a múltiples desafiaments, entre els quals hi ha la necessitat de garantir una producció contínua. Una solució a aquest problema és l’emmagatzematge de l’energia generada per utilitzar-la en moments en què aquestes fonts no siguin eficients. Una alternativa viable és l’emmagatzematge d’energia tèrmica (TES, per les seves sigles en anglès). Aquesta tecnologia consisteix en un sistema format per una part de transport i una altra d’emmagatzematge, essent aquesta darrera especialment important, ja que permet reduir les pèrdues energètiques i augmentar l’eficiència del sistema. modelatge la simulació de l’emmagatzematge d’energia tèrmica, concretament mitjançant dinàmica de fluids computacional (CFD, per les seves sigles en anglès), requereix habitualment eines especialitzades, personal qualificat i una inversió considerable tant en recursos computacionals com econòmics. En aquest context, aquest estudi proposa una alternativa més accessible i eficient als mètodes convencionals de modelatge: l’ús d’eines d’intel·ligència artificial (IA) per a la simulació de dipòsits TES. La recerca va començar amb una revisió de l’estat de la qüestió, on es va identificar una oportunitat de desenvolupament deguda a un buit existent en l’aplicació de la IA al modelatge de dipòsits TES. A partir d’aquesta troballa, es va dur a terme una primera fase experimental utilitzant un disseny senzill de dipòsit TES. Es va entrenar un model de xarxa neuronal amb dades generades mitjançant simulacions CFD convencionals. Els resultats obtinguts van ser prometedors i van evidenciar el potencial d’aquesta aproximació per a una implementació a major escala. En una segona etapa, la recerca es va orientar al desenvolupament d’una eina d’IA més robusta, versàtil i escalable per al modelatge de dipòsits TES. Es van establir dos objectius principals: primer, modelar el comportament del dipòsit en diferents moments temporals; segon, permetre que el model es pogués generalitzar a diferents configuracions de dipòsit, variant la quantitat de components interns. Ambdues línies de treball van donar resultats encoratjadors. Tanmateix, es va fer evident la necessitat d’una recerca més profunda i multidisciplinària que abordi altres aspectes rellevants, amb l’objectiu de desenvolupar una eina capaç de substituir els mètodes actuals de modelatge de dipòsits TES.

  • English

    Renewable energy sources face multiple challenges, among which is the need to ensure continuous energy production. One solution to this problem is the storage of generated energy for use during periods when these sources are not efficient. A viable alternative is thermal energy storage (TES). This technology consists of a system composed of a transport section and a storage section, the latter being crucial, as it helps reduce energy losses and increase system efficiency. The modelling of thermal energy storage, specifically through computational fluid dynamics (CFD), generally requires specialized tools, qualified personnel, and a considerable investment in both computational and economic resources. In this context, the present study proposes a more accessible and efficient alternative to conventional modelling methods: the use of artificial intelligence (AI) tools for the simulation of TES tanks. The research began with a review of the state of the art, which identified a development opportunity due to a gap in the application of AI to TES tank modelling. Based on this finding, an initial experimental phase was conducted using a simple TES tank design. A neural network model was trained with data generated through conventional CFD simulations. The results were promising and demonstrated the potential of this approach for larger-scale implementation. In a second phase, the research focused on developing a more robust, versatile, and scalable AI-based tool for TES tank modelling. Two main objectives were established: first, to model the behaviour of the tank over time; second, to enable the model to generalize to different tank configurations by varying the number of internal components. Both research lines yielded encouraging results. Nevertheless, the need for deeper and more multidisciplinary research became evident, to develop a tool capable of replacing current TES tank modelling methods.