Alonso-Solórzano, ÁngelaVelasco-Fernández, Ana I.Iniesta, CarmenOlazagoitia, José LuisVinolas, Jordi2026-09-282026-09-282026-09Alonso-Solórzano, Á, Velasco-Fernández, A I, Iniesta, C, Olazagoitia, J L & Vinolas, J 2026, 'A surrogate-model methodology for thermoacoustic engine design using multilayer perceptrons', Energy and AI, vol. 25, 100837. https://doi.org/10.1016/j.egyai.2026.1008372666-5468https://hdl.handle.net/10641/8292Publisher Copyright: © 2026 The Authors. Published by Elsevier Ltd. This is an open access article under the CC BY license. http://creativecommons.org/licenses/by/4.0/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.]Thermoacoustic Stirling-like cycle engines offer a compelling solution for converting residual heat into usable energy through the generation of acoustic waves, providing a mechanically simple and environmentally friendly alternative. While recent developments have demonstrated the feasibility of using artificial neural networks for performance prediction, limited research has addressed the effect of training data volume or the experimental validation of these models. This study investigates the use of artificial neural networks to predict the acoustic power delivered to the power extraction branch in thermoacoustic engines operating at low drive ratios, using data generated through DeltaEC (Design Environment for Low-Amplitude Thermoacoustic Energy Conversion) simulations. Two training approaches were implemented: Python programming and SPSS (Statistical Package for the Social Sciences); and three datasets of increasing size were used to evaluate the impact of data volume on prediction performance. Seven design variables were analyzed, of which three emerged as the most critical. The proposed methodology enables fast and reliable prediction of thermoacoustic performance, reducing reliance on computationally expensive simulations and supporting the integration of artificial intelligence techniques into energy system design.206423600enghttp://creativecommons.org/licenses/by-nc-nd/4.0/ANNAcoustic power predictionMLPThermoacoustic stirling engineEngineering (miscellaneous)General EnergyArtificial IntelligenceYesjournal articleopen access10.1016/j.egyai.2026.100837https://www.scopus.com/pages/publications/105043568117https://www.scopus.com/pages/publications/105043568117#tab=citedBy