A surrogate-model methodology for thermoacoustic engine design using multilayer perceptrons

Share

Abstract

Los motores de ciclo tipo Stirling termoacústicos ofrecen una solución atractiva para convertir el calor residual en energía útil mediante la generación de ondas acústicas, proporcionando una alternativa mecánicamente sencilla y ambientalmente amigable. Si bien desarrollos recientes han demostrado la viabilidad del uso de redes neuronales artificiales (RNA) para la predicción del rendimiento, investigaciones limitadas se han centrado en el efecto del volumen de datos de entrenamiento o en la validación experimental de estos modelos. Este estudio investiga el uso de RNA para predecir la potencia acústica entregada a la rama de extracción de energía en motores termoacústicos que operan con relaciones de conducción bajas, utilizando datos generados mediante simulaciones DeltaEC (Entorno de Diseño para Conversión de Energía Termoacústica de Baja Amplitud). Se implementaron dos enfoques de entrenamiento: programación en Python y SPSS (Paquete Estadístico para las Ciencias Sociales); y se utilizaron tres conjuntos de datos de tamaño creciente para evaluar el impacto del volumen de datos sobre el rendimiento predictivo. Se analizaron siete variables de diseño, de las cuales tres resultaron ser las más críticas. La metodología propuesta permite una predicción rápida y fiable del rendimiento termoacústico, reduciendo la dependencia de simulaciones computacionalmente costosas y apoyando la integración de técnicas de inteligencia artificial en el diseño de sistemas energéticos. [Traducción automática al español; idioma original: inglés.]