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., Aquest treball està parcialment finançat pel Ministeri de Ciència i Innovació - Agència Estatal de Recerca (AEI) (PID2021-123511OB-C31 - MCIN/AEI/10.13039/501100011033/FEDER, UE) i el Ministeri de Ciència, Innovació Estatal de Recerca (AEI) (RED2022-134219-T). ). Els autors agraeixen a la Generalitat de Catalunya l’acreditació de qualitat concedida al grup de recerca GREiA (2021 SGR 01615). GREiA és un agent certificat TECNIO en la categoria de desenvolupadors tecnològics de la Generalitat de Catalunya. Aquest treball està parcialment secundat per ICREA dins del programa ICREA Academia. Aquest projecte está cofinançat pel programa de recerca i innovació de la Unió Europea Horizon Europe, en el marc del projecte NitRecercat2425 (101162003).