Patinetas y bicicletas eléctricas no aguantaron el “voltaje” de las zonas montañosas de Medellín

Un equipo de profesores de las Facultades de Minas y Ciencias de la Universidad Nacional de Colombia (UNAL) Sede Medellín, y de Ingeniería de la Universidad de Antioquia, utilizó analítica predictiva con técnicas avanzadas de machine learning para predecir la “salud” de la batería y del motor, analizando grandes volúmenes de datos y generando predicciones precisas basadas en patrones ocultos (similar a como el cerebro humano procesa la información) de bicicletas y patinetas eléctricas en operaciones andinas.

Gracias a la donación de 2 patinetas y 2 bicicletas, los investigadores diseñaron un sistema de instrumentación de telemetría, en el cual, mediante sistemas de posicionamiento global (GPS), recogieron, procesaron y transmitieron información remotamente, sobre aspectos como voltaje, amperaje, temperatura y velocidad. Con esta tecnología se recopilaron más de 140.000 datos: 70.000 del motor y 70.000 de la batería.

El profesor Fernando Jesús Guevara Carazas, director del grupo de investigación Gestión Operación y Mantenimiento de Activos (Gomac) y líder del semillero de investigación Hydrometra, orientado al desarrollo de soluciones en movilidad sostenible, explica que, cuando se establecieron las rutas, los vehículos se probaron durante un mes, desarrollando el modelo predictivo. Todo esto bajo un estricto diseño de experimentos para garantizar la fiabilidad de los datos.

“Pensamos en las rutas y los circuitos complejos y exigentes que seguirían un ‘domiciliario’ o un vecino de las zonas altas de Robledo y El Poblado, cuya altura desde la línea principal del metro puede subir entre 500 y 700 msnm, superando los 1.400 msnm”, amplía. Así mismo, el piloto recorrió la avenida 80, que comunica las comunas de Robledo con Guayabal.

“A los vehículos se les exigió el límite de su capacidad, y la demanda eléctrica fue tan grande que se quemaron”, afirma el académico. Contrario a lo que esperaban, lo primero que falló no fueron las baterías sino los motores, que al llevarlos a condiciones extremas de operación, y en su intento de atender la demanda de aceleración y cubrir las pendientes, se recalentaron provocando que los barnices de los sistemas de aislamiento se degradaran hasta fallar.

Las baterías cuentan con un sistema BMS (Battery Management System) que controla el despacho de electricidad y potencia, o sea la corriente y el voltaje para atender la necesidad del vehículo; al recalentarse no se quemaron, pero sí pudo haber sido lo siguiente en fallar.

El profesor Guevara anota que “cuando estos vehículos enfrentan terrenos desafiantes, como laderas o pendientes, sus componentes operan en condiciones extremas, lo que puede provocar un desgaste prematuro. Si un aparato no está adaptado adecuadamente al entorno, pierde eficiencia y es necesario reemplazarlo antes de lo esperado”.

Lo anterior tiene un significativo impacto ambiental, asociado tanto con la fabricación de baterías y motores como con su disposición final, situación se debe empezar a monitorear, considerando especialmente que cada vez más países se adhieren al Pacto Verde Europeo, o Green Deal, una iniciativa que busca garantizar que los nuevos automóviles produzcan cero emisiones de CO₂ para 2035, con el objetivo de reducir las emisiones de gases de efecto invernadero en al menos un 55 %.

En este sentido, según el académico, “nuestra aspiración es expandir este modelo predictivo para estimar el estado de salud de vehículos convencionales, tanto automóviles particulares como de servicio público. Es importante destacar que tradicionalmente estos vehículos se prueban en ruta, pero rara vez se llevan al límite máximo de su capacidad”.

Los resultados de la investigación destacan la creciente necesidad de desarrollar vehículos adaptados a las particularidades de las regiones donde se utilizarán, como Latinoamérica, una zona marcada por la presencia de la cordillera de los Andes. Las principales ciudades de países como Ecuador, Perú, Argentina, Bolivia y Colombia enfrentan condiciones de movilidad muy diversas, lo que hace fundamental considerar estos factores al diseñar los vehículos.

El equipo de investigadores del proyecto “Modelos de predicción de inteligencia artificial para el análisis del sistema de salud de sistemas electromecánicos que impactan la eficiencia energética en escenarios de movilidad sostenible” está liderado por los profesores: Carmen Elena Patiño Rodríguez y Olga Cecilia Úsuga Manco, de la Facultad de Ingeniería de la Universidad de Antioquia; Fredy Hernández Barajas, de la Facultad de Ciencias, y Fernando Jesús Guevara Carazas, de la Facultad de Minas, ambos de la UNAL. También participaron estudiantes de pregrado y posgrados de las dos Universidades.

El proyecto fue financiado por el Comité de Investigación de la Universidad de Antioquia y el grupo de investigación Gomac.