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

O mundo da refrigeração está passando por uma transformação silenciosa, mas urgente. Durante décadas, os sistemas de resfriamento em nossos carros, casas e supermercados dependeram de substâncias químicas chamadas hidrofluorcarbonetos. Embora essas substâncias fossem seguras para a camada de ozônio, elas se revelaram potentes impulsionadores do aquecimento global. Em resposta, acordos internacionais têm pressionado por uma redução desses gases antigos, criando uma corrida para encontrar substitutos que sejam gentis com o clima. Os novos candidatos são frequentemente substâncias únicas ou misturas cuidadosamente equilibradas, projetadas para resfriar com eficiência sem aprisionar calor excessivo na atmosfera. No entanto, projetar um sistema que utilize esses novos fluidos exige saber exatamente como eles se comportam sob diferentes condições. Engenheiros precisam prever o quanto um gás irá se comprimir quando espremido, ou o quão pesado um líquido se tornará quando resfriado. Essas propriedades mudam de formas complexas dependendo da temperatura, da pressão e da mistura exata de produtos químicos, tornando a previsão precisa uma tarefa difícil, porém essencial, para a construção de sistemas de resfriamento confiáveis e ecológicos.

Em um estudo recente, pesquisadores buscaram resolver esse enigma de previsão para uma mistura específica e promissora: uma combinação de dois refrigerantes conhecidos como R1234yf e R152a. Essa combinação é atraente porque equilibra baixo impacto ambiental com bom desempenho e, em alguns casos, a mistura pode até reduzir os riscos de inflamabilidade em comparação aos seus componentes individuais. Para entender como essa mistura se comporta, a equipe reuniu 145 pontos de dados específicos de experimentos anteriores. Esses pontos cobriram uma gama de temperaturas que iam de pouco acima do congelamento até um dia quente de verão, e pressões que abrangem de moderadas a bastante altas. O objetivo era verificar se programas de computador modernos, conhecidos como aprendizado de máquina (machine learning), poderiam aprender com esses dados para prever duas propriedades críticas: o fator de compressibilidade, que nos diz o quanto o gás se desvia do comportamento ideal, e a densidade, que é simplesmente o quão pesado o fluido é para um determinado volume.

Os pesquisadores colocaram quatro tipos diferentes de algoritmos de aprendizado de máquina uns contra os outros e contra fórmulas baseadas na física tradicional. Os modelos de aprendizado de máquina incluíam métodos que constroem árvores de decisão, outros que encontram padrões observando os vizinhos mais próximos nos dados, e técnicas sofisticadas que mapeiam curvas complexas. Eles também testaram uma fórmula termodinâmica clássica chamada equação PRSV, que tem sido usada há décadas para descrever como gases e líquidos se comportam, juntamente com uma fórmula empírica mais simples conhecida como equação de Tait. A equipe forneceu aos modelos de computador a temperatura, a pressão e a quantidade exata de um dos produtos químicos na mistura, e então pediu que eles adivinhassem a compressibilidade e a densidade. Eles então compararam esses palpites com os números experimentais reais para ver qual método era o mais preciso.

Os resultados revelaram uma divisão clara no desempenho das diferentes abordagens, dependendo de qual propriedade estava sendo prevista. Quando se tratava do fator de compressibilidade, os modelos de aprendizado de máquina provaram ser as ferramentas superiores. Um algoritmo específico, que funciona construindo uma série de modelos que corrigem os erros dos anteriores, alcançou a maior precisão. Ele capturou as sutis reviravoltas não lineares dos dados muito melhor do que as fórmulas físicas tradicionais. A melhor fórmula tradicional, mesmo quando ajustada para considerar como a temperatura altera a interação entre os dois produtos químicos, ainda ficou aquém. A abordagem tradicional baseia-se em regras simplificadas para descrever como as moléculas interagem e, neste caso, essas regras não eram complexas o suficiente para capturar totalmente o comportamento da mistura. O modelo de aprendizado de máquina, por outro lado, aprendeu os padrões diretamente dos dados sem a necessidade dessas regras simplificadas, permitindo-lhe navegar pelo complexo cenário do comportamento do gás com maior precisão.

A história foi bem diferente quando os pesquisadores observaram a densidade. Para essa propriedade, o campo de jogo se nivelou significativamente. Os modelos de aprendizado de máquina ainda tiveram um bom desempenho, com um método alcançando uma precisão quase perfeita, mas as fórmulas físicas tradicionais foram quase tão boas quanto. A clássica equação PRSV, quando ajustada com uma relação matemática específica para a temperatura, coincidiu com os dados com uma proximidade notável, e a equação de Tait, mais simples, também chegou muito perto. Isso sugere que a densidade se comporta de uma forma mais direta e previsível do que o fator de compressibilidade. Ela segue um caminho mais suave que tanto os complexos modelos de computador quanto as leis físicas estabelecidas podem descrever com alta confiança. O fato de uma fórmula simples, de décadas atrás, poder competir com a inteligência artificial moderna nesta tarefa específica destaca que nem toda propriedade termodinâmica requer uma solução de computador de "caixa-preta"; às vezes, as leis fundamentais da física são suficientes.

Ao longo do estudo, os pesquisadores também examinaram quais fatores eram mais importantes. Eles descobriram que a pressão era a força dominante impulsionando as mudanças tanto na densidade quanto na compressibilidade. À medida que a pressão aumentava, o fluido tornava-se significativamente mais denso e sua compressibilidade mudava de uma forma previsível. A temperatura desempenhou um papel secundário, e a proporção exata dos dois produtos químicos na mistura teve um efeito diretamente pequeno nas tendências lineares, embora os modelos de aprendizado de máquina tenham sido capazes de captar as formas sutis e não lineares pelas quais a composição influenciou os resultados. Esse foco na pressão alinha-se com a intuição física básica: espremer um fluido o torna mais pesado e altera seu comportamento, enquanto a mistura específica de produtos químicos importa menos do que a força aplicada a ela.

O estudo conclui que, para projetar sistemas utilizando esta mistura específica de refrigerante, o aprendizado de máquina oferece uma vantagem distinta ao prever o comportamento complexo do gás, particularmente o fator de compressibilidade. No entanto, para prever a densidade, os engenheiros podem confiar tanto em modelos de computador avançados quanto em equações físicas bem estabelecidas com igual sucesso. O trabalho não sugere que um método seja universalmente melhor que o outro; em vez disso, mostra que a melhor ferramenta depende da propriedade específica que está sendo medida. Ao demonstrar que métodos baseados em dados podem superar fórmulas tradicionais para certos comportamentos complexos, a pesquisa fornece um novo caminho para que engenheiros projetem sistemas de resfriamento mais eficientes e ambientalmente amigáveis, garantindo que possam aproveitar todo o potencial desses novos refrigerantes de baixo impacto.