Predicting Thermodynamic Properties of R1234yf/R152a Mixtures Using Machine Learning and PRSV Equation of state

El mundo de la refrigeración está experimentando una transformación silenciosa pero urgente. Durante décadas, los sistemas de enfriamiento en nuestros coches, hogares y supermercados dependieron de sustancias químicas llamadas hidrofluorocarbonos. Si bien estas sustancias eran seguras para la capa de ozono, resultaron ser potentes motores del calentamiento global. En respuesta, los acuerdos internacionales han impulsado una reducción gradual de estos gases antiguos, creando una carrera para encontrar sustitutos que sean suaves con el clima. Los nuevos candidatos suelen ser químicos individuales o mezclas cuidadosamente equilibradas, diseñadas para enfriar eficientemente sin atrapar un exceso de calor en la atmósfera. Sin embargo, diseñar un sistema que utilice estos nuevos fluidos requiere saber exactamente cómo se comportan bajo diferentes condiciones. Los ingenieros necesitan predecir cuánto se encoge un gas cuando se comprime, o qué tan pesado se vuelve un líquido cuando se enfría. Estas propiedades cambian de formas complejas dependiendo de la temperatura, la presión y la mezcla exacta de químicos, lo que hace que la predicción precisa sea una tarea difícil pero esencial para construir sistemas de refrigeración fiables y respetuosos con el medio ambiente.

En un estudio reciente, un grupo de investigadores se propuso resolver este rompecabezas de la predicción para una mezcla específica y prometedora: una combinación de dos refrigerantes conocidos como R1234yf y R152a. Esta combinación es atractiva porque equilibra un bajo impacto ambiental con un buen rendimiento y, en algunos casos, la mezcla puede incluso reducir los riesgos de inflamabilidad en comparación con sus componentes individuales. Para entender cómo se comporta esta mezcla, el equipo recopiló 145 puntos de datos específicos de experimentos previos. Estos puntos cubrieron un rango de temperaturas que iba desde justo por encima del punto de congelación hasta un cálido día de verano, y presiones que abarcan desde moderadas hasta bastante altas. El objetivo era ver si los programas informáticos modernos, conocidos como aprendizaje automático (machine learning), podían aprender de estos datos para predecir dos propiedades críticas: el factor de compresibilidad, que nos indica cuánto se desvía un gas de su comportamiento ideal, y la densidad, que es simplemente qué tan pesado es el fluido para un volumen dado.

Los investigadores enfrentaron cuatro tipos diferentes de algoritmos de aprendizaje automático entre sí y contra fórmulas tradicionales basadas en la física. Los modelos de aprendizaje automático incluían métodos que construyen árboles de decisión, otros que encuentran patrones observando a los vecinos más cercanos en los datos, y técnicas sofisticadas que mapean curvas complejas. También probaron una fórmula termodinámica clásica llamada ecuación PRSV, que se ha utilizado durante décadas para describir cómo se comportan los gases y los líquidos, junto con una fórmula empírica más simple conocida como la ecuación de Tait. El equipo alimentó a los modelos informáticos con la temperatura, la presión y la cantidad exacta de un químico en la mezcla, y luego les pidió que adivinaran la compresibilidad y la densidad. Posteriormente, compararon estas conjeturas con los números experimentales reales para ver qué método era el más preciso.

Los resultados revelaron una clara división en qué tan bien funcionaron los diferentes enfoques, dependiendo de qué propiedad se estuviera prediciendo. Cuando se trató del factor de compresibilidad, los modelos de aprendizaje automático demostraron ser las herramientas superiores. Un algoritmo específico, que funciona construyendo una serie de modelos que corrigen los errores de los anteriores, logró la mayor precisión. Capturó los sutiles giros no lineales de los datos mucho mejor que las fórmulas físicas tradicionales. La mejor fórmula tradicional, incluso cuando se ajustó para tener en cuenta cómo la temperatura cambia la interacción entre los dos químicos, no logró alcanzar ese nivel. El enfoque tradicional se basa en reglas simplificadas para describir cómo interactúan las moléculas y, en este caso, esas reglas no eran lo suficientemente complejas para capturar plenamente el comportamiento de la mezcla. El modelo de aprendizaje automático, por el contrario, aprendió los patrones directamente de los datos sin necesidad de esas reglas simplificadas, lo que le permitió navegar el complejo paisaje del comportamiento del gas con mayor precisión.

La historia fue muy distinta cuando los investigadores analizaron la densidad. Para esta propiedad, el campo de juego se niveló significativamente. Los modelos de aprendizaje automático siguieron funcionando bien, con un método logrando una precisión casi perfecta, pero las fórmulas físicas tradicionales fueron casi tan buenas. La clásica ecuación PRSV, al ser ajustada con una relación matemática específica para la temperatura, coincidió con los datos con una cercanía notable, y la más simple ecuación de Tait también se acercó mucho. Esto sugiere que la densidad se comporta de una manera más directa y predecible que el factor de compresibilidad. Sigue un camino más suave que tanto los complejos modelos informáticos como las leyes físicas establecidas pueden describir con alta confianza. El hecho de que una fórmula sencilla, de décadas de antigüedad, pudiera competir con la inteligencia artificial moderna en esta tarea específica resalta que no toda propiedad termodinámica requiere una solución informática de "caja negra"; a veces, las leyes fundamentales de la física son suficientes.

A lo largo del estudio, los investigadores también examinaron qué factores eran más importantes. Encontraron que la presión era la fuerza dominante que impulsaba los cambios tanto en la densidad como en la compresibilidad. A medida que la presión aumentaba, el fluido se volvía significamente más denso y su compresibilidad cambiaba de una manera predecible. La temperatura desempeñó un papel secundario, y la proporción exacta de los dos químicos en la mezcla tuvo un efecto directo sorprendentemente pequeño en las tendencias lineales, aunque los modelos de aprendizaje automático pudieron detectar las formas sutiles y no lineales en que la composición influía en los resultados. Este enfoque en la presión se alinea con la intuición física básica: comprimir un fluido lo hace más pesado y cambia su comportamiento, mientras que la mezcla específica de químicos importa menos que la fuerza aplicada sobre ella.

El estudio concluye que, para diseñar sistemas utilizando esta mezcla de refrigerante específica, el aprendizaje automático ofrece una ventaja distintiva al predecir el comportamiento complejo del gas, particularmente el factor de compresibilidad. Sin embargo, para predecir la densidad, los ingenieros pueden confiar tanto en modelos informáticos avanzados como en ecuaciones físicas bien establecidas con un éxito igual. El trabajo no sugiere que un método sea universalmente mejor que el otro; más bien, muestra que la mejor herramienta depende de la propiedad específica que se esté midiendo. Al demostrar que los métodos basados en datos pueden superar a las fórmulas tradicionales para ciertos comportamientos complejos, la investigación proporciona una nueva vía para que los ingenieros diseñen sistemas de refrigeración más eficientes y respetuosos con el medio ambiente, asegurando que puedan aprovechar todo el potencial de estos nuevos refrigerantes de bajo impacto.