La utilización de refrigerantes amigables con el medio ambiente es de gran importancia para las

industrias de refrigeración, especialmente para el diseño y optimización de equipos de

refrigeración como los intercambiadores de calor y compresores, por lo que mediante el uso de
redes neuronales artificiales se pretende obtener las propiedades termodinámicas como etalpia,
entropía y capacidades térmicas.

Las redes neuronales artificiales son un campo muy importante dentro de la Inteligencia Artificial,
se inspiran en el comportamiento conocido del cerebro humano (principalmente el referido a las
neuronas y sus conexiones), trata de crear modelos artificiales que solucionen problemas difíciles
de resolver mediante técnicas algorítmicas convencionales.
Los clorofluorocarbonos (CFC) CFC es el nombre genérico de un grupo de compuestos que
contienen cloro, flúor y carbono, utilizados como agentes que producen frío y como gases
propulsores en los aerosoles. se emplean en diversas aplicaciones, principalmente en la
industria de la refrigeración y Están también presentes en aislantes térmicos. Los CFC tienen
una gran persistencia en la atmósfera, de 50 a más o menos 200 años. Con el paso del tiempo
alcanzan la estratosfera, donde se disocian por acción de la radiación ultravioleta, liberando el
cloro y dando comienzo al proceso de destrucción de la capa ozono.
Debido a esto es absolutamente necesario encontrar y seleccionar sustitutos eficientes y
ambientalmente aceptables con un potencial de agotamiento de ozono cero. Para estos
fines, existe una creciente necesidad de nuevos datos termodinámicos no solo en el campo
de la refrigeración, sino también en la industria del aislamiento [1,2]. Afortunadamente
(gran elección) y desafortunadamente (se requieren muchas mediciones), el número de
sustancias químicas propuestas para reemplazar los CFC es muy alto, lo que implica un extenso
trabajo experimental.

El modelado dentro de una incertidumbre aceptable de datos de presión-volumen

temperatura (PVT) y vapor-líquido-equilibrio (VLE) mediante modelos termodinámicos
convencionales requiere la determinación de una gran cantidad de parámetros ajustados por
lo que El desarrollo de herramientas numéricas, como las redes neuronales, capaces de
representar, dentro de las incertidumbres experimentales y predecir con precisión las
propiedades del refrigerante son de gran ayuda

En este trabajo, y para las fases de vapor y líquido, los modelos neuronales (ver Fig. 2) están dedicados al
cálculo del factor de compresibilidad (Z) (salida de la neurona), en función de la temperatura (T) y la presión
(P) (neuronas de entrada de la capa de entrada). Solo se ha considerado una capa oculta. El número
optimizado de neuronas ocultas se ha determinado durante la fase de aprendizaje mediante pruebas de prueba
y error. Se elaboran dos modelos de redes neuronales para vapor y fase líquida por separado. Con el fin de
mejorar las capacidades de aproximación de las redes neuronales de avance, la disponibilidad de datos de
entrenamiento suficientemente grandes y representativos bien distribuidos en los dominios de temperatura y
presión, generalmente garantiza buenas propiedades de generalización de las redes neuronales entrenadas.
Hemos desarrollado un equipo [7] para obtener datos simultáneos de las propiedades VLE y PVT, en un
número tal que están totalmente adaptados al uso de modelos de redes neuronales. Desde un punto de vista
práctico, generalmente es difícil realizar tantos experimentos como sea necesario para obtener datos
suficientes para entrenar las redes neuronales. Hemos notado que la mayoría de los datos disponibles en la
literatura son solo datos escasos. Para este trabajo actual y preliminar, hemos preferido establecer una base de
datos adaptable (entre 240 y 340K y de 0.001 a 20MPa) utilizando el software REFPROP 6.0. Los rangos de
los valores de entrada para las redes neuronales correspondientes a los datos de PVT de diferentes
refrigerantes se presentan en la Tabla 1.
La desviación estándar relativa en el factor de compresibilidad (Z) se calcula a través de la siguiente
expresión:

El objetivo de este trabajo consiste en la elaboración óptima de modelos neuronales para la predicción del
factor de compresibilidad (Z) en los rangos de temperatura y presión deseados. Las propiedades derivadas,
como la entalpía (H), la entropía (S) y la capacidad de calor (Cp) se calculan a partir de Z en función de la
temperatura y la presión a través de derivadas numéricas.