Estudo comparativo entre modelos de aprendizado de máquina para predição de propriedades termo-hidráulicas de fluidos de baixo GWP
Carregando...
Data
Autores
Orientador
Nascimento, Érica Regina Filletti 
Coorientador
Pós-graduação
Curso de graduação
Araraquara - IQAR - Engenharia Química
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
Este trabalho investiga a aplicação de técnicas de aprendizado de máquina para prever propriedades termo-hidráulicas de fluidos refrigerantes de baixo Potencial de Aquecimento Global (GWP) durante a ebulição convectiva em microcanais. Utilizaram-se os dados experimentais de Sempértegui-Tapia (2016), compostos pelos fluidos R134a, R1234ze(E), R1234yf e R600a em geometrias circular, quadrada e triangular, incluindo medições de perda de pressão por atrito e coeficiente de troca térmica em diferentes condições operacionais. O conjunto de dados foi pré-processado com interpolação de propriedades termofísicas e cálculo de números adimensionais, seguidos de padronização e codificação binária das variáveis categóricas. Foram avaliados três algoritmos representativos de abordagens amplamente utilizadas em dados tabulares: redes neurais Multilayer Perceptron (MLP), SAINT (Self-Attention and Intersample Transformer) e o modelo baseado em árvores de decisão XGBoost. A comparação de desempenho foi realizada com métricas quantitativas como erro médio absoluto (EMA), erro médio relativo (MRE) e porcentagem de acerto dentro de margens de ±20% e ±30%. Os resultados demonstraram que o XGBoost obteve o melhor desempenho geral para ambas as propriedades analisadas, reduzindo o erro significativamente em relação às correlações empíricas reportadas na literatura experimental. O MLP apresentou desempenho satisfatório e relativamente próximo ao XGBoost em certas condições, enquanto o modelo SAINT não convergiu adequadamente para o volume de dados disponível, resultando em erros elevados e baixa acurácia. Os achados evidenciam que modelos de ensemble baseados em árvores constituem alternativas robustas e precisas para a previsão do comportamento termo-hidráulico em microcanais, contribuindo para o desenvolvimento de sistemas de refrigeração mais eficientes e ambientalmente sustentáveis. Conclui-se que todos os objetivos definidos foram plenamente atendidos, com a identificação clara do algoritmo mais eficaz para a modelagem estudada.
Resumo (inglês)
This work investigates the application of machine learning techniques to predict thermohydraulic properties of low Global Warming Potential (GWP) refrigerants during convective boiling in microchannels. Experimental data provided by Sempértegui-Tapia (2016) were used, including the refrigerants R134a, R1234ze(E), R1234yf, and R600a in circular, square, and triangular channel cross-sections, containing measurements of frictional pressure drop and heat transfer coefficient under various operating conditions. The dataset was pre-processed through interpolation of
thermophysical properties, calculation of dimensionless numbers, feature standardization, and one-hot encoding of categorical variables. Three representative algorithms for tabular data were evaluated: a Multilayer Perceptron (MLP) neural network, the SAINT (Self-Attention and Intersample Transformer) architecture, and the XGBoost gradient-boosted decision-tree model. Quantitative performance comparison relied on error metrics such as Mean Absolute Error (MAE), Mean Relative Error (MRE), and the percentage of predictions within ±20% and ±30% error bands. The results demonstrated that XGBoost achieved the best overall performance for both target variables, significantly reducing prediction error relative to empirical correlations available in the experimental literature. The MLP showed satisfactory performance, at times close to XGBoost, while SAINT failed to converge adequately due to the limited dataset size, resulting in large prediction errors. The findings confirm that ensemble- based models constitute robust and accurate alternatives for predicting thermohydraulic behavior in microchannels, supporting the development of more efficient and environmentally sustainable refrigeration systems. All objectives established in this work were fully achieved, including the identification of the most suitable predictive algorithm for the studied phenomena.
Descrição
Palavras-chave
Machine learning, Fluidos refrigerantes, Proteção ambiental
Idioma
Português
