Publicación: Desenvolvimento e otimização de modelos inteligentes de previsão de eficiência de um sistema de refrigeração de pequeno porte através aprendizagem de máquinas
Cargando...
Fecha
2024-10-22
Editor/a
Director/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Nacional de Educación a Distancia (España), Universidad de Concepción - Chile. Departamento de Ingeniería Mecánica
Resumen
Este trabalho envolve o desenvolvimento e a otimização de modelos inteligentes para a previsão da eficiência energética de um sistema de refrigeração industrial através da utilização de técnicas de aprendizagem de máquinas.
O sistema estudado é um protótipo de refrigeração de compressão mecânica de pequeno porte com capacidade nominal aproximada de 1kW que utiliza o fluido R404a como refrigerante. A metodologia implementada inclui a utilização da biblioteca Sklearn do Python para o desenvolvimento dos modelos de regressão que preveem a eficiência energética o coeficiente de performance (COP) e o índice de eficiência energética (EER), considerando variáveis mesuráveis (elétricas, térmicas e hidráulicas) de fácil acesso como inputs dos modelos. A contribuição principal deste trabalho está vinculada à introdução de modelos de previsão capazes de otimizar a operação energética de sistemas de refrigeração. Os modelos de regressão inteligente desenvolvidos mostraram-se eficazes na previsão do COP e do EER do protótipo de refrigeração, com excelentes métricas atingidas na etapa final de testes, (R² acima de 70 e 80%) e (MAE e RMSE abaixo de 0,5), indicando uma baixa diferença média entre os valores reais e previstos, corroborando a alta precisão dos modelos. Os resultados mostraram a possibilidade de desenvolver estratégias de controle baseadas em variáveis físicas de fácil medição, melhorando significativamente a eficiência energética do sistema de refrigeração.
This work involves developing and optimizing intelligent models for predicting the energy efficiency of an industrial refrigeration system through machine learning techniques. The system studied is a small mechanical compression refrigeration prototype with a nominal capacity of approximately 1kW that uses R404a as a refrigerant. The implemented methodology includes the use of Python's Sklearn library for the development of regression models that predict energy efficiency, coefficient of performance (COP), and energy efficiency index (EER), considering measurable variables (electrical, thermal, and hydraulic) easily accessible as model inputs. The main contribution of this work is linked to the introduction of prediction models capable of optimizing the energy operation of refrigeration systems. The intelligent regression models developed proved to be effective in predicting the COP and EER of the refrigeration prototype, with excellent metrics achieved in the final test (R² above 70% and 80%) and (MAE and RMSE below 0.5), indicating a low average difference between actual and predicted values, corroborating the high accuracy of the models. The results showed the possibility of developing control strategies based on easily measured physical variables, significantly improving the energy efficiency of the refrigeration system.
This work involves developing and optimizing intelligent models for predicting the energy efficiency of an industrial refrigeration system through machine learning techniques. The system studied is a small mechanical compression refrigeration prototype with a nominal capacity of approximately 1kW that uses R404a as a refrigerant. The implemented methodology includes the use of Python's Sklearn library for the development of regression models that predict energy efficiency, coefficient of performance (COP), and energy efficiency index (EER), considering measurable variables (electrical, thermal, and hydraulic) easily accessible as model inputs. The main contribution of this work is linked to the introduction of prediction models capable of optimizing the energy operation of refrigeration systems. The intelligent regression models developed proved to be effective in predicting the COP and EER of the refrigeration prototype, with excellent metrics achieved in the final test (R² above 70% and 80%) and (MAE and RMSE below 0.5), indicating a low average difference between actual and predicted values, corroborating the high accuracy of the models. The results showed the possibility of developing control strategies based on easily measured physical variables, significantly improving the energy efficiency of the refrigeration system.
Descripción
Organizado y patrocinado por: Federación iberoamericana de Ingeniería Mecánica y Universidad de Concepción - Chile. Departamento de Mecánica, FeIbIm – FeIbEM
Categorías UNESCO
Palabras clave
Métodos inteligentes, Refrigeração, aprendizagem de máquinas, EER, COP, Intelligent methods, Refrigeration, machine learning, EER, COP
Citación
-
Centro
E.T.S. de Ingenieros Industriales
Departamento
Mecánica