Publicação: Otimização do coeficiente de performance em sistemas de refrigeração utilizando o algoritmo simulated annealing assistido por redes neurais artificiais
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::ENGENHARIAS::ENGENHARIA MECANICA::ENGENHARIA TERMICA::TERMODINAMICA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
A crescente demanda por eficiência energética em sistemas de refrigeração, aliada à
necessidade urgente de substituição de fluidos refrigerantes sintéticos por alternativas naturais
de menor impacto ambiental, incentiva a necessidade do desenvolvimento de novos métodos
de otimização. O propano (R290), hidrocarboneto com potencial de aquecimento global
unitário e excelentes propriedades termodinâmicas, representa uma alternativa promissora aos
refrigerantes convencionais, porém sua operação em condições de máxima eficiência exige
ferramentas capazes de capturar e interpretar de algum modo, mesmo que aproximado, a
complexidade e a não linearidade existente nos ciclos de refrigeração reais. Nesse contexto, o
presente trabalho propõe e valida uma metodologia híbrida original baseada no algoritmo
metaheurístico Simulated Annealing assistido por Redes Neurais Artificiais para a
maximização do Coeficiente de Performance em uma bancada experimental de refrigeração
operando com R290. Os dados experimentais, compostos por mais de 12.000 registros obtidos
sob múltiplas condições de operação da bancada instrumentada, considerando variações na
temperatura de evaporação, condensação e porcentagem de abertura da válvula de expansão
eletrônica. O Coeficiente de Performance de cada ponto operacional foi calculado
rigorosamente a partir de balanços de entalpia nos processos de compressão, condensação e
expansão isentálpica, utilizando propriedades termodinâmicas precisas do R290 obtidas pela
biblioteca Coolprop. Esses dados alimentaram o treinamento de uma rede neural de arquitetura
MLP (Multilayer Perceptron), capaz de mapear simultaneamente as variáveis de entrada para
quatro saídas — Coeficiente de Performance, temperatura de condensação, temperatura de
evaporação e abertura de válvula — atingindo erro quadrático médio inferior a 0,003 no
conjunto de teste, o que evidencia a elevada capacidade preditiva do modelo. O algoritmo
Simulated Annealing foi então aplicado sobre o espaço de busca delimitado pelos limites reais
dos dados experimentais, utilizando a rede neural treinada como substituto computacional do
sistema físico, eliminando a necessidade de modelos analíticos durante a otimização, reduzindo
drasticamente o custo computacional sem comprometer a fidelidade do comportamento não
linear, visto que o modelo de aprendizado de máquina procura incorporar implicitamente as
irreversibilidades e não linearidades do sistema real. Os resultados demonstraram que a
abordagem híbrida proposta é capaz de identificar condições operacionais ótimas locais de
forma eficiente, robusta e reprodutível, consolidando-se como contribuição relevante para o
campo da otimização energética de sistemas de refrigeração.
Abstract
The growing demand for energy efficiency in refrigeration systems, combined with the urgent
need to replace synthetic refrigerants with lower-environmental-impact natural alternatives,
drives the need to develop new optimization methods. Propane (R290), a hydrocarbon with a
unitary global warming potential and excellent thermodynamic properties, represents a
promising alternative to conventional refrigerants. However, its operation under maximumefficiency conditions requires tools capable of capturing and interpreting, even if
approximately, the complexity and nonlinearity present in real refrigeration cycles. In this
context, the present work proposes and validates an original hybrid methodology based on the
Simulated Annealing metaheuristic algorithm assisted by Artificial Neural Networks to
maximize the Coefficient of Performance in an experimental refrigeration bench operating with
R290. The experimental data, comprising more than 12,000 records obtained under multiple
operating conditions of the instrumented bench, cover suction and discharge pressures,
temperatures at the four thermodynamic points of the cycle, and the opening percentage of the
electronic expansion valve. The Coefficient of Performance for each operating point was
rigorously calculated from enthalpy balances across the compression, condensation, and
isenthalpic expansion processes, using precise thermodynamic properties of R290 obtained
through the CoolProp library. These data were used to train a Multilayer Perceptron (MLP)
neural network architecture capable of simultaneously mapping the input variables to four
outputs — Coefficient of Performance, condensation temperature, evaporation temperature,
and valve opening — achieving a mean squared error below 0.003 on the test set, which
demonstrates the model's high predictive capability. The Simulated Annealing algorithm was
then applied over the search space delimited by the real boundaries of the experimental data,
using the trained neural network as a computational surrogate for the physical system. This
eliminated the need for analytical models during optimization, drastically reducing
computational cost without compromising fidelity to the nonlinear behavior, since the machine
learning model implicitly incorporates the irreversibilities and nonlinearities of the real system.
The results demonstrated that the proposed hybrid approach is capable of efficiently, robustly,
and reproducibly identifying locally optimal operating conditions, establishing itself as a
relevant contribution to the field of energy optimization in refrigeration systems.
Palavras-chave
Refrigeração, Refrigeration, Otimização, Optimization, Metaheurística, Metaheuristics, R290, R290, COP, COP
Citação
SARAIVA, João Victor. Otimização do coeficiente de performance em sistemas de refrigeração utilizando o algoritmo simulated annealing assistido por redes neurais artificiais. 2026. 40 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecânica) – Universidade Federal de Uberlândia, Uberlândia, 2026.
DOI
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto