Gran número de investigaciones utilizan modelos de redes neuronales artificiales (RNA) en una amplia gama de aplicaciones de ingeniería, debido a que las RNA pueden proporcionar modelos empíricos útiles para procesos complejos no lineales. En esta sección se describen algunos estudios de modelos de redes neuronales artificiales que se han desarrollado en aplicaciones de equipos de refrigeración por absorción y en la predicción de propiedades termofísicas de los fluidos.
Las redes neuronales artificiales (RNA) son prometedoras herramientas alternativas para la modelización, éstas pertenecen a los modelos con enfoques de caja negra, donde los parámetros estimados del modelo no requieren de interpretaciones físicas ni la descripción matemática del fenómeno involucrado en el proceso. Su habilidad de reconocer y reproducir relaciones de causa-efecto para múltiples entradas y/o salidas, a través del entrenamiento, convierte la metodología de redes neuronales en un método eficiente para representar sistemas complejos (Pareek et al., 2002).
Actualmente, el uso de las redes neuronales artificiales está presente en muchas áreas de procesos químicos (Gob et al. 1999, Stegemann y Buenfeld, 2002; Hamzaoui et al.,
fueron publicados en 1943 por McCulloch y Pitts (1943), solo en los últimos años el concepto de las redes neuronales artificiales ha ganado gran popularidad en muchas áreas de la ingeniería (Himmelblau, 2000). Específicamente, en los últimos años, las redes neuronales con el modelo de alimentación hacia adelante (feed forward) entrenadas por el algoritmo de propagación hacia atrás (back-propagation) se han posicionado en el campo de los sistemas de refrigeración por absorción y sus aplicaciones.
A través de la aplicación de la metodología RNA se ha logrado predecir el comportamiento de sistemas energéticos complejos sin necesidad de sistemas de adquisición de datos ni sistemas de control (Curtiss, 1992). Debido a las complejidades encontradas en los sistemas de refrigeración por absorción, resulta difícil realizar el control eficiente de estos sistemas. Por lo tanto, los modelos RNA se utilizan como alternativa al control de procesos que permiten ayudar a obtener resultados satisfactorios sin considerar las hipótesis requeridas en modelos termodinámicos (Hernández et al., 2008). De hecho, las redes neuronales son reconocidas como buenas herramientas para el modelado dinámico (Rumelhart y Zipner, 1985).
Una red neuronal desarrollada por Ferrano y Wong (1990) se utilizó para predecir la carga de refrigeración utilizando las medidas de temperaturas obtenidas en un período de 24 h. Por otra parte, una RNA fue utilizada para determinar el tiempo de retardo para una planta de aire acondicionado para responder a las acciones de control (Huang y Nelson, 1994).
Kalogirou (2001) presentó diversas aplicaciones de las redes neuronales principalmente en sistemas de energías renovables. En este estudio, el autor utilizó las RNA para el modelado y diseño de generadores de vapor solares, para la estimación del factor de intercepción en colectores cilindro-parabólicos y la relación de la concentración local y para la modelización y la predicción del rendimiento de sistemas solares y de calentamiento de agua. También en este estudio, las RNA se han utilizado para la estimación de las cargas de calefacción de los edificios, para la predicción del flujo de aire en una habitación de prueba con ventilación natural y para la predicción del consumo de energía de un edificio solar pasivo. En todos los modelos se han utilizado arquitecturas de capa oculta múltiple. Los errores reportados en estos modelos se encuentran dentro de los límites aceptables, los cuales sugieren claramente que las RNA pueden ser utilizadas para modelar sistemas de energías renovables. También, en este estudio se resumen otras investigaciones con redes neuronales en el campo de las energías renovables y otros sistemas de energía, en la predicción de la radiación solar y velocidad del viento, los sistemas fotovoltaicos, la construcción de sistemas de servicios y la previsión de cargas térmica.
Chow et al. (2002) introdujo la utilización de un nuevo concepto en el sistema de control de enfriadoras de agua de absorción basado en la integración de las redes neuronales artificiales y algoritmos genéticos. La configuración del modelo de RNA tiene una capa de entrada con 5 neuronas, dos capas ocultas con 5 y 9 neuronas en la primera y en la segunda capa, respectivamente y 4 neuronas en la capa de salida, por lo cual se obtiene una configuración del tipo 5-5-9-4. Los resultados del modelo RNA muestran un valor de la raíz del error cuadrático medio (rmse) de 0.00285 y un coeficiente de correlación lineal r2 del 8%. La optimización global conseguida con este enfoque permite obtener ahorros considerables de electricidad y combustible en la operación de enfriadoras de agua de absorción de llama directa.
Yang et al. (2003) presentó una aplicación de la red neuronal en un sistema de control en edificios. En este estudio se desarrolló un modelo optimizado de RNA para determinar la hora óptima de inicio de operación del sistema de calefacción en un edificio.
Sözen y Akcayol (2004) utilizó el enfoque de RNA para el análisis de desempeño de un ciclo de refrigeración por absorción de eyector activado con energía solar. El modelo de RNA propuesto utiliza sólo las temperaturas de operación de los cuatro componentes principales como variables de entrada para predecir el rendimiento de la enfriadora de agua. Las variables de salida son el coeficiente de operación del ciclo (COP), coeficiente de operación exergético (ECOP) y la relación de circulación de la solución. La estructura de red elegida para modelizar este sistema requiere 20 neuronas en la capa oculta, por lo cual se obtiene una red neuronal con estructura 4-20-3. Los coeficientes de regresión lineal (r2) para las salidas fueron elevados, lo que indica que las RNA son
un método eficiente para la predicción de los parámetros de desempeño de este sistema. Con este estudio demostraron la importancia del enfoque RNA, además de reducir el tiempo de cálculo requerido, permitió encontrar soluciones que hacen de las aplicaciones de energía solar una opción más viable.
Otro estudio en el cual se aplica la metodología de RNA se reportó por Manohar et al. (2006) para la modelización de una enfriadora de agua de absorción de doble-efecto. En este trabajo, el modelo RNA predice la capacidad de enfriamiento de la enfriadora de agua y describe una configuración de 6 neuronas en la capa de entrada, dos capas ocultas compuestas por 6 y 9 neuronas en la primera y segunda capa, respectivamente, y una neurona en la capa de salida (6-6-9-1). La red neuronal se entrenó con datos experimentales y predijo la capacidad de enfriamiento de la enfriadora de agua de doble-efecto con una desviación de ±1.2% con respecto a los valores experimentales. Kalogirou (2006) describió algunas aplicaciones de sistemas de inteligencia artificial (redes neuronales, lógica difusa, algoritmos genéticos y sistemas híbridos) en distintas disciplinas de ingeniería de energías renovables.
Hernández et al. (2008) propusieron un modelo predictivo del desempeño de un proceso de purificación de agua integrado en un transformador de calor de absorción, usando una red neuronal artificial. El modelo predice el coeficiente de operación (COP) en línea, teniendo en cuenta las temperaturas de entrada y de salida de cada uno de los cuatro componentes (absorbedor, generador, evaporador y condensador), así como otros dos parámetros: la presión del transformador de calor de absorción y la concentración de la solución H2O/LiBr. El modelo desarrollado en este estudio se puede utilizar para
el control del proceso de purificación de agua integrado en un transformador de calor de absorción. Posteriormente, Hernández et al. (2009) desarrollaron un modelo de red neuronal invertido (RNAi) para calcular las condiciones óptimas de operación del mismo proceso de purificación de agua integrado en un transformador de calor de absorción con recuperación de energía a fin de encontrar el mayor valor COP.
Labus (2011) utilizó el enfoque de las RNA para obtener modelos en régimen estacionario de máquinas de refrigeración por absorción de pequeña potencia basados en datos experimentales obtenidos en un banco de ensayos. En este estudio se propone una metodología para el control de las enfriadoras de agua de absorción comerciales mediante el ajuste de varios parámetros de entrada del lado del agua. Para lograr este objetivo, se desarrolló un modelo basado en datos experimentales y se realizó un
las cargas térmicas para posteriormente optimizarlos mediante la metodología de red neuronal inversa (RNAi).
Un importante campo de aplicación de los modelos de redes neuronales es la predicción de las propiedades termodinámicas y de transporte de los fluidos. El análisis de procesos, como los sistemas de refrigeración absorción, requiere del conocimiento de las propiedades de los fluidos involucrados en el proceso. Sin embargo, no existen muchos estudios de RNA usados para la predicción de las propiedades físico-químicas. A continuación, se mencionan algunos estudios que han aplicado la metodología RNA para la predicción de propiedades de los fluidos.
Sharma et al. (1999) aplicaron las RNA para la estimación del equilibrio líquido-vapor, usando el algoritmo de propagación hacia atrás. Los sistemas estudiados fueron metano- etano y amoníaco-agua. Los resultados demostraron interesantes posibilidades de las RNA para aplicaciones de análisis de la termodinámica de mezclas, obteniendo un error de ±1%.
Homer et al. (1999) desarrollaron métodos predictivos basados en las RNA para la viscosidad y otras propiedades termofísicas: la densidad, el calor de vaporización, el punto de ebullición y el factor acéntrico de hidrocarburos líquidos orgánicos puros en un amplio intervalo de temperaturas. Con el modelo RNA para la predicción de la viscosidad se obtuvo una desviación media absoluta entre los valores estimados y experimentales aproximadamente dos veces menor que con otros métodos de predicción.
Nashawi y Elgibaly (1999) desarrollaron un modelo de redes neuronales para la predicción de la viscosidad de compuestos orgánicos basado en un conjunto de 110 datos experimentales en un intervalo de viscosidad entre 0.197 y 19.9 mPa.s. La validez del modelo se evaluó mediante 35 datos que no fueron incluidos en el conjunto de entrenamiento. El modelo de redes neuronales tiene la ventaja de proporcionar resultados precisos para un amplio espectro de estructuras de compuestos orgánicos usando propiedades fisicoquímicas disponibles fácilmente.
Elsharkwy y Gharbi (2001) realizaron una comparación entre varios modelos desarrollados para la determinación de la viscosidad del petróleo usando técnicas clásicas de regresión y técnicas basadas en redes neuronales artificiales, a partir de los datos de viscosidad del petróleo de diferentes yacimientos. Los resultados mostraron que los modelos de RNA desarrollados fueron más precisos. Basándose en esta comparación se presentó un modelo de RNA que utiliza la gravedad API del petróleo y el gas, la presión y temperatura para predecir la viscosidad del petróleo crudo.
Chouai et al. (2002) aplicaron la metodología de redes neuronales artificiales para predecir los datos presión-volumen-temperatura y otras propiedades termodinámicas, tales como entalpía, entropía, factor de compresibilidad y capacidad calorífica de los refrigerantes R134a, R32 y R143a.
Sözen et al. (2004, 2005) utilizaron redes neuronales artificiales para predecir las propiedades de dos fluidos de trabajo alternativos (metanol/LiBr y metanol/LiCl) en sistemas de refrigeración por absorción. En el modelo se utilizó el algoritmo de aprendizaje de propagación hacia atrás con tres variables de entrada (temperatura, presión y composición) y la función de transferencia sigmoidal. Para entrenar la red neuronal se utilizaron datos experimentales y el volumen específico fue la variable de
salida de la red. Después del entrenamiento, se obtuvo un error promedio de aproximadamente 1%.
Sözen et al. (2006) utilizaron las redes neuronales artificiales para determinar las propiedades termodinámicas (volumen específico, la entalpía y la entropía) de un refrigerante alternativo (R508b). En la RNA utilizaron el algoritmo de aprendizaje de propagación hacia atrás y la función de transferencia sigmoidal. En este estudio, demostraron que la aplicación de las RNA permite reducir los errores en la predicción de las propiedades y también eliminar la necesidad de ecuaciones analíticas complejas que requieren mucho tiempo y un gran esfuerzo computacional.
Sençan et al. (2006) utilizaron el enfoque de las RNA para la predicción de la entalpía de los fluidos de trabajo H2O/LiBr y H2O/LiCl los cuales son utilizados en sistemas de
refrigeración por absorción. Además, en este estudio se incluyó la comparación del desempeño de los sistemas de absorción operando con estos fluidos de trabajos. Los modelos RNA desarrollados para los fluidos H2O/LiBr y H2O/LiCl se basaron en datos
experimentales de la entalpía específica de la solución obtenidos de la literatura.
Omole et al. (2009) utilizaron la metodología de RNA para mejorar la estimación de la viscosidad del petróleo obtenida a partir de correlaciones empíricas. Los resultados del modelo RNA fueron mejores que las correlaciones empíricas en términos del error de promedio absoluto relativo y el coeficiente de correlación lineal r2.
2.9. Conclusiones
Las conclusiones más relevantes de este capítulo son:
Se reconoce que las enfriadoras de agua de absorción de triple-efecto representan un paso importante en la evolución de los sistemas de absorción porque suponen una mejora de los ciclos de refrigeración por absorción de doble-efecto, alcanzando valores de rendimiento superiores. No obstante, por las limitaciones asociadas al fluido de trabajo (problemas de corrosión e inestabilidad térmica), los grandes tamaños y altos precios de las enfriadoras de triple-efecto, no se han extendido al sector residencial y comercial, donde los equipos eléctricos de compresión continúan dominando el mercado.
Numerosos estudios se han enfocado en el desarrollo de enfriadoras de agua de triple-efecto. Se han ensayado y patentado prototipos de triple-efecto con el fluido de trabajo convencional H2O/LiBr con valores de coeficiente de operación (COP) de 1.7 y
mayores, y algunas compañías han empezado con la comercialización, lo cual demuestran la viabilidad de estas enfriadoras de agua. Sin embargo, se enfatizan los problemas de corrosión en los componentes expuestos a altas temperaturas.
En la literatura se han propuesto nuevas mezclas salinas, para enfriadoras de agua de triple-efecto que utilizan agua como refrigerante, que sustituyen al LiBr. Los absorbentes constituidos de soluciones acuosas de nitratos y nitritos alcalinos ofrecen condiciones favorables de corrosividad, estabilidad térmica, presión de vapor y transferencia de calor y de masa. Se ha resumido en este trabajo el estado de arte de los conocimientos concernientes a la estabilidad térmica, corrosión y propiedades de transporte.
teóricas enfocadas en este componente, sin embargo, todavía los procesos de transferencia de calor y de masa que ocurren simultáneamente no están completamente definidos. En este trabajo se presenta una revisión de la literatura con los estudios experimentales y modelos teóricos de absorbedores de película descendente sobre tubos horizontales.
Las redes neuronales artificiales (RNA) se han identificado como herramientas prometedoras para la modelización de diferentes procesos. El enfoque de redes neuronales artificiales presenta ventajas sobre los métodos convencionales, como la velocidad para resolver cálculos complejos, la capacidad de aprender a partir de datos y pueden ser entrenadas fácilmente cuando se someten a nuevos conjuntos de datos. En la literatura se encuentran varias aplicaciones de los modelos de RNA, en el ámbito de las propiedades termodinámicas y en sistemas de refrigeración por absorción, los cuales han permitido proporcionar resultados más precisos en relación a los métodos convencionales.