Hybrid Thermodynamic–Machine Learning Modeling of Nano-Refrigerant-Based Vapor Compression Refrigeration Systems

Resumen Técnico: Modelado Híbrido Termodinámico–Aprendizaje Automático de Sistemas de Refrigeración por Compresión de Vapor Basados en Nanorefrigerantes

Planteamiento del Problema
Los sistemas convencionales de refrigeración por compresión de vapor (VCRS) que utilizan refrigerantes como el R-134a enfrentan limitaciones en el rendimiento térmico y la eficiencia energética. Si bien los nanorefrigerantes —fluidos convencionales dispersos con nanopartículas (1–100 nm)— han mostrado potencial para mejorar las propiedades termofísicas, tales como la conductividad térmica y los coeficientes de transferencia de calor, la literatura existente sufre de un análisis fragmentado. Los estudios previos suelen centrarse en formulaciones individuales bajo diversas condiciones operativas, carecen de marcos de modelado unificados y frecuentemente dependen de enfoques experimentales o numéricos aislados. Además, existe una escasez de evaluaciones comparativas de diferentes tipos de nanopartículas (p. ej., Al₂O₃, TiO₂, CuO) bajo condiciones termodinámicas idénticas, y muchos estudios omiten los análisis de la segunda ley (exergía y entropía) en favor de métricas simples del Coeficiente de Desempeño (COP). Adicionalmente, la integración de la cuantificación de la incertidumbre y el aprendizaje automático (ML) para la predicción rápida y la optimización sigue siendo un área poco explorada en este dominio.

Metodología
El estudio propone un marco computacional híbrido integral que integra el modelado termodinámico, el aprendizaje automático, la cuantificación de la incertidumbre y la optimización. La metodología avanza a través de las siguientes etapas:

1. Modelado Termodinámico: Se desarrolló un modelo de VCRS en estado estacionario utilizando Python y la biblioteca CoolProp. El sistema fue analizado mediante la primera y la segunda ley de la termodinámica, incorporando conservación de la masa, balance de energía y análisis de exergía. El modelo evaluó cuatro configuraciones de nanorefrigerantes: R134a mezclado con Al₂O₃ (en dos variaciones de densidad: 2200 y 3690 kg/m³), TiO₂ y CuO. Las suposiciones clave incluyeron la dispersión uniforme de las nanopartículas, el comportamiento de mezcla monofásica homogénea, la eficiencia isentrópica constante del compresor (51%) y caídas de presión despreciables en las tuberías.
2. Validación: El modelo numérico fue validado contra datos experimentales publicados (Subramani y Prakash) y simulaciones numéricas (Aktas et al.). La validación se centró en los estados termodinámicos, presiones de operación y valores de COP.
3. Integración de Aprendizaje Automático: Se entrenaron modelos de Bosque Aleatorio (Random Forest, RF) y Perceptrón Multicapa (MLP) utilizando el conjunto de datos de la simulación termodinámica para predecir indicadores clave de desempeño (COP, capacidad de enfriamiento y trabajo del compresor). Estos modelos buscaron capturar las relaciones no lineales entre las propiedades de las nanopartículas y el rendimiento del sistema.
4. Análisis de Incertidumbre y Sensibilidad: La incertidumbre en el COP predicho se cuantificó mediante el método de la raíz de la suma de los cuadrados (RSS), considerando las variaciones en temperatura, presión, entalpía y concentración de nanopartículas. Se realizó un análisis de sensibilidad para identificar las variables dominantes que influyen en el rendimiento del sistema.
5. Optimización: El marco utilizó los datos de simulación para determinar las condiciones de operación óptimas, identificando específicamente la concentración de nanopartículas que maximiza el rendimiento mientras equilibra los efectos de la viscosidad.

Contribuciones Clave

• Marco Unificado: Desarrollo de una plataforma multifísica integrada que combina termodinámica, transferencia de calor, comportamiento de nanofluidos e IA para el análisis de VCRS con nanorefrigerantes.
• Análisis Comparativo: Una comparación sistemática de nanopartículas de Al₂O₃, TiO₂ y CuO bajo condiciones operativas idénticas, abordando un vacío en la literatura comparativa directa.
• Evaluación de la Segunda Ley: Inclusión de análisis de generación de entropía y eficiencia de exergía junto con métricas de la primera ley, proporcionando una visión más holística de la irreversibilidad termodinámica.
• Modelado Híbrido: Demostración de un enfoque híbrido donde las simulaciones basadas en la física generan datos para los modelos de ML, permitiendo la predicción rápida del rendimiento y reduciendo los costos computacionales.
• Cuantificación de la Incertidumbre: Cuantificación explícita de la incertidumbre de la predicción, estableciendo la confiabilidad del modelo para aplicaciones de ingeniería.

Resultos

• Validación del Modelo: El modelo termodinámico demostró un excelente acuerdo con los resultados numéricos, con desviaciones absolas promedio que oscilaron entre el 0.23% y el 2.72%. La comparación con los datos experimentales mostró un acuerdo aceptable para aplicaciones de ingeniería, atribuyendo las desviaciones a suposiciones idealizadas (p. ej., estado estacionario, dispersión homogénea).
• Mejora del Rendimiento: La incorporación de nanopartículas mejoró significamente el rendimiento del sistema. Entre los fluidos investigados, el R134a/CuO exhibió el desempeño general superior. Con una concentración óptima de aproximadamente 0.60 wt.%, el sistema R134a/CuO logró:
  • Capacidad de Enfriamiento: 147.5 kJ kg⁻¹
  • Trabajo del Compresor: 49.0 kJ kg⁻¹
  • Coeficiente de Desempeño (COP): 3.01
  • Coeficiente de Transferencia de Calor Convectivo: 702 W m⁻² K⁻¹
  • Generación Total de Entropía: 0.97 (el más bajo entre los fluidos probados)
  • Eficiencia de Exergía: 70.4% (la más alta entre los fluidos probados)
• Efectos de la Concentración: El rendimiento mejoró con el aumento de la concentración de nanopartículas hasta aproximadamente el ~0.60 wt.%. Más allá de este punto, los autores señalan que se espera que los efectos relacionados con la viscosidad limiten mayores mejoras, aunque este rango específico no fue explorado completamente en el presente estudio.
• Precisión del Aprendizaje Automático: El modelo de Bosque Aleatorio reprodujo con éxito los resultados de la simulación termodinámica, demostrando la viabilidad de utilizar modelos basados en datos como sustitutos (surrogates) para cálculos termodinámicos complejos. El análisis de importancia de características identificó la concentración de nanopartículas y la conductividad térmica como las variables más influyentes.
• Incertidumbre: La incertidumbre global en el COP predicho se calculó en ±3.2%, lo cual se encuentra dentro de los límites de ingeniería aceptables (±5%).

Significancia y Reivindicaciones
El artículo sostiene que el marco híbrido propuesto proporciona una plataforma confiable y multifísica para el diseño, la optimación y la operación inteligente de sistemas de nanorrefrigeración de alta eficiencia. Al integrar análisis de la primera y segunda ley con aprendizaje automático y cuantificación de la incertidumbre, el estudio ofrece una metodología robusta que supera las limitaciones de los enfoques de modelado aislados. La identificación de R134a/CuO al 0.60 wt.% como la configuración más prometedora ofrece una recomendación específica y basada en datos para mejorar la eficiencia de la refrigeración. Los autores enfatizan que, si bien el estudio es primordialmente computacional y validado contra la literatura existente en lugar de nuevos experimentos de laboratorio, el marco establece una base sólida para futuras validaciones experimentales y el desarrollo de tecnologías de refrigeración sostenibles y de alto rendimiento. El estudio reconoce modestamente las limitaciones respecto a comportamientos transitorios, aglomeración de nanopartículas y estabilidad a largo plazo, posicionando el presente trabajo como un paso fundacional para investigaciones futuras más complejas.