MEMORIAS DEL XXXI CONGRESO

NACIONAL DE TERMODINMICA

Durango, Dgo.
5-9 de septiembre de 2016

Trabajo en extenso

ANLISIS EXERGTICO DE UN COMPRESOR RECIPROCANTE

EMPLEANDO REDES NEURONALES ARTIFICIALES

Juan Manuel Barroso Maldonado1, Juan Manuel Belman Flores1, Sergio Eduardo Ledesma Orozco2,
Julio Cesar Moreno Blanco1, Vicente Prez-Garca3
1
Departamento de Ingeniera Mecnica. Divisin de Ingenieras Campus Irapuato-Salamanca.
Universidad de Guanajuato. Carretera SalamancaValle de Santiago km 3.5 + 1.8 km, Comunidad de
Palo Blanco, Salamanca, Gto., Mxico. C.P.: 36885.
2
Departamento de Ingeniera Electrnica. Divisin de Ingenieras Campus Irapuato-Salamanca.
Universidad de Guanajuato. Carretera SalamancaValle de Santiago km 3.5 + 1.8 km, Comunidad de
Palo Blanco, Salamanca, Gto., Mxico. C.P.: 36885.
3
Universidad Tecnolgica del Suroeste de Guanajuato, Carretera Valle-Huanmaro Km. 1.2 Valle de
Santiago, Gto., Mxico. C.P.: 38400

barrosomaldonado@hotmail.com, jfbelman@ugto.mx, selo@ugto.mx, jc.morenoblanco@ugto.mx,

eniac04@hotmail.com

Resumen
En este trabajo se presenta el estudio exergtico de un compresor que opera dentro de un sistema de compresin de vapor
experimental. El sistema emplea el R134a como fluido de trabajo. La investigacin se centra en la simulacin que reporta
la influencia de ciertas variables (mismas que son experimentalmente de fcil obtencin) en la destruccin de exerga. El
modelo desarrollado se basa en tcnicas de inteligencia artificial que fungen como una caja negra. El esquema estratgico
de dicho modelo considera como entradas a: la velocidad de giro del compresor, la presin y temperatura de succin y la
presin de descarga. El modelo predice las siguientes variables: la destruccin de exerga, la eficiencia exergtica y el
calor disipado al medio ambiente. El modelo desarrollado es validado experimentalmente y posteriormente es aplicado en
una simulacin de la operacin del compresor. La investigacin muestra que una red cuya arquitectura es 4-7-3 puede ser
utilizada para los propsitos de este trabajo. Los resultados exhiben a la velocidad de giro como principal causante de la
destruccin de exerga en el compresor, as mismo, el modelo sugiere que el evaporador opere a presiones relativamente
altas y que el grado de recalentamiento sea alto para influenciar as en la temperatura de succin y disminuir la destruccin
de exerga.

1. Introduccin
La refrigeracin es de suma importancia en las actividades diarias de la humanidad; la preservacin
de alimentos, conservacin de sustancias orgnicas y no orgnicas, industria farmacutica y
climatizacin son tan slo algunas de sus aplicaciones. Su gran demanda y aceptacin entre la
sociedad conlleva un incremento proporcional en la demanda energtica y en los daos irreversibles
al medio ambiente. Esto, y otras cuestiones ms, obliga a estudiar e indagar vigorosamente temas
relacionados con la produccin de fro; en particular al sistema de compresin de vapor, ya que es una
de las tecnologas ms empleadas para dichos fines. Los equipos mnimos requeridos para tener un

95
 MEMORIAS DEL XXXI CONGRESO NACIONAL DE TERMODINMICA
Durango, Dgo., 5-9 de septiembre de 2016

sistema de compresin de vapor son cuatro: evaporador, condensador, vlvula de estrangulamiento y

compresor. La aportacin de cada equipo es importante para lograr el efecto frigorfico, sin embargo,
el compresor es de particular inters por tres principales razones: logra llevar un fluido desde baja
presin a una alta presin, logra impulsar el fluido refrigerante para que fluya en todo el circuito y la
ms inquietante es la demanda energtica que presenta para llevar acabo sus tareas.
Las investigaciones sobre los sistemas de compresin de vapor disponibles en la literatura son bastante
variadas. Se pueden encontrar trabajos enfocados a los sistemas de compresin de vapor de manera
global (Navarro E. et al., 2013), otros trabajos enfocados a las aplicaciones de dicha tecnologa como
lo es en la refrigeracin domstica (Belman J.M. et al., 2015) y en el aire acondicionado automotriz
(Belman J.M. et al., 2013 y Zilio C. et al., 2011). Sin embargo, la complejidad de estos sistemas
impulsa a extender los estudios en cada equipo de manera individual o particular. Por ejemplo,
Ramadam B. (2009) quien hizo un modelo analtico para analizar el espacio disponible alrededor del
condensador en un refrigerador domstico. As mismo, Waltrich et al., (2011) analizaron un
evaporador logrando incrementar el coeficiente de desempeo, COP, del refrigerador en 1% y
redujeron el material del evaporador en un 5.1%. En lo que concierne al compresor, tambin se
encuentran un gran nmero de investigaciones orientadas a la optimizacin y simulacin. Por ejemplo,
Winandy et al., (2002) propusieron un modelo simplificado en estado estable, el modelo simula el
flujo msico, consumo energtico, temperatura de descarga y prdidas ambientales en forma de calor.
Navarro et al. (2007) desarrollaron un modelo para predecir la eficiencia mecnica y la eficiencia
volumtrica de un compresor. Pereira et al., (2008) efectuaron un anlisis numrico mediante el
mtodo de volumen finito para obtener el campo de velocidades dentro del pistn. Barroso et al.,
(2015) analizaron el comportamiento termodinmico de un compresor cuando ste opera con mezclas
entre los refrigerantes R134a y R1234yf, la metodologa se bas en un modelo semi-emprico.
Por otro lado, debido a que la exerga es un concepto termodinmico basado en la segunda ley de la
termodinmica, la optimizacin y la simulacin energtica tambin pueden ser llevadas a cabo
mediante un anlisis exergtico. Este tipo de anlisis est orientado a determinar los comportamientos
favorables y a identificar puntualmente las zonas operacionales de la destruccin de exerga. En la
literatura se pueden encontrar algunos trabajos que analizan sistemas de refrigeracin utilizando el
concepto de exerga. Yumrutas et al., (2002) estudiaron el efecto de las temperaturas de evaporacin
y condensacin en la cada de presin, COP, destruccin de exerga y eficiencia exergtica. Arora A.
y Kaushik S. (2008) presentaron un anlisis de un sistema de compresin de vapor que opera con
R502, R404 y R507. Los parmetros calculados fueron el COP, la destruccin exergtica y la
eficiencia exergtica.
Algo distintivo entre los trabajos orientados al modelado de un compresor es la topologa seguida al
efectuar el anlisis termodinmico. Se sabe que el modelado de estos equipos no es una tarea sencilla
desde el punto de vista computacional. Cuanto ms robusto sea el anlisis, los recursos
computacionales incrementan en gran medida; esto por los mtodos empleados para resolver por
ejemplo las ecuaciones de continuidad, momento y energa. Es por ello que en ocasiones se
particularizan los modelos introduciendo nociones empricas, consideraciones y suposiciones. Es as
que recientemente la inteligencia artificial ha influenciado a la ingeniera mecnica para promover
nuevos esquemas de modelado, principalmente por sus bajos tiempos de cmputo y su alta precisin
en la prediccin. Como evidencia de ello gran nmero de investigadores han estudiado el modelado

96
 MEMORIAS DEL XXXI CONGRESO NACIONAL DE TERMODINMICA
Durango, Dgo., 5-9 de septiembre de 2016

de sistemas energticos mediante la aplicacin redes neuronales artificiales, RNA, como lo muestran
Kalogirou (2000) y Mohanraj et al., (2012).
Basndose en lo anterior, en el presente trabajo se analiza un compresor reciprocante en el contexto
de la refrigeracin utilizando redes neuronales artificiales. La red es entrenada con el 75% de un
conjunto de datos obtenidos de una instalacin experimental. Con el 25% restante el modelo es
validado y aplicado para una simulacin exergtica. Los parmetros considerados como entradas son:
la velocidad de giro del compresor, la presin y temperatura de succin y la presin de descarga. Con
esto, el modelo puede predecir las siguientes variables: la destruccin de exerga, la eficiencia
exergtica y el calor disipado al medio ambiente. La programacin de los procesos de entrenamiento,
validacin y simulacin son hechos en el software Neural Lab.
2. Metodologa
La presente investigacin se enfoca en un compresor de un sistema de compresin de vapor; ste es
mostrado en la Figura 1. El sistema de compresin de vapor est en su configuracin ms simple ya
que cuenta nicamente con un circuito principal y uno secundario; adems, el circuito principal consta
de un compresor, un evaporador, un condensador y un dispositivo de despresurizacin isoentlpica.
La instalacin est instrumentada para medir presin, temperatura, flujo msico, consumo energtico
y velocidad de giro. Para mayor informacin sobre informacin geomtrica del compresor y de los
sensores puede consultarse en Belman et al., (2015).
Hacia el condensador

Medidor de flujo
tipo Coriolis P T

P T

Motor Compresor
elctrico de pistn

Sensor
Desde el evaporador inductivo

Figura 1. Representacin esquemtica de la instalacin experimental.

El funcionamiento de un compresor de pistn es de relativa simplicidad. El inicio del proceso se puede

suponer que est en un espacio llamado volumen muerto. En dicho volumen se tiene la condicin de
alta presin y alta temperatura; por esta razn se ejerce una fuerza frontal sobre la cara del pistn
logrando un desplazamiento e iniciando la expansin. Cuando la presin interna ha alcanzado
condiciones atmosfricas, mediante un mecanismo bien calibrado se da apertura a las vlvulas de

97
 MEMORIAS DEL XXXI CONGRESO NACIONAL DE TERMODINMICA
Durango, Dgo., 5-9 de septiembre de 2016

succin para permitir que el fluido fluya hacia el cilindro, esto se hace simultneamente con un
movimiento del pistn. Cuando el pistn llega al punto muerto inferior se cierra la vlvula de succin
y con un movimiento reciproco del pistn da inicio la compresin. El volumen de control que
representa al fluido contenido en el cilindro va disminuyendo, logrando as un incremento en la
presin y en la temperatura. Cuando se logra una presin deseada (presin de descarga), un mecanismo
permite la apertura de la vlvula de descarga para desalojar, a presin constante, el fluido. Las vlvulas
se cierran cuando el pistn est en el punto muerto superior. Al finalizar este proceso de descarga,
cierta cantidad de fluido queda atrapada en el volumen muerto y entonces se repite el ciclo. A la
velocidad ms baja y alta de operacin de compresor (400 y 600 rpm), todo el proceso antes explicado
se lleva en 0.15 s y 0.1 s, respectivamente. De todo el ciclo, el inters es conocer las condiciones a las
que el refrigerante ingresa al compresor (succin), la presin demandada al compresor (presin de
descarga) y la rapidez con la que se logra dicha presin (velocidad de giro). Como consecuencia del
proceso de compresin se hace presente un consumo energtico, el cual tambin est monitoreado, as
mismo un incremento de la temperatura de descarga y un efecto de bombeo de refrigerante a la
descarga. El rango de valores obtenidos durante las pruebas experimentales est mostrado en la Tabla
1.
TABLA 1. Rango de operacin de las variables monitoreadas en los ensayos experimentales.
(rpm, kPa, K, kW, kgs-1)
Valor Valor
Variable mnimo mximo
Velocidad de giro 402.08 583.31
Presin de succin 201.30 407.78
Temperatura de succin 273.00 300.28
Presin de descarga 741.13 1775.63
Flujo msico 2.35E-3 9.63E-3
Temperatura de descarga 308.57 370.34
Consumo energtico 1.13 4.40

En la Tabla 1, los primeros cuatro renglones son entradas al modelo y los tres renglones restantes son
salidas. Se tienen 4000 pruebas experimentales para las cuales se efecta el clculo de la eficiencia
exergtica, la destruccin de exerga y las prdidas energticas mediante un anlisis exergtico y un
balance de primera ley, respectivamente.
Anlisis exergtico
La segunda ley de la termodinmica permite evaluar la mxima cantidad de energa que se podra
obtener de un sistema trmico, independiente de la forma en que sea obtenida. En termodinmica, la
exerga es la energa disponible para ser convertida desde un estado termodinmico hasta un estado
de referencia que se encuentra a condiciones ambientales (tambin conocido como estado muerto, en
este trabajo se ha considerado que el estado muerto corresponde a 101.3 kPa y 298.15 K). Cuando el
sistema cae a dichas condiciones ambientales se dice que el sistema est en equilibrio y por lo tanto
tiene exerga cero. Es as que la exerga representa la calidad de la energa concentrada en algn
portador energtico. La definicin de exerga puede ser usada para determinar las prdidas de la
calidad de la energa debido a la generacin de entropa en los procesos irreversibles.

98
 MEMORIAS DEL XXXI CONGRESO NACIONAL DE TERMODINMICA
Durango, Dgo., 5-9 de septiembre de 2016

Un anlisis exergtico basado en la segunda ley permite identificar las prdidas de un sistema
energtico, en este caso del compresor. Tambin permite ubicar la causa de dichas prdidas as como
su ubicacin. En un balance exergtico, la exerga destruida representa el total de la calidad que pierde
la energa. Este tipo de estudios han sido desarrollados por algunos investigadores, por ejemplo Tao
et al., 2010 y Fbrega et al., 2010 quienes emplearon el concepto de la exerga para hacer una
evaluacin de la eficiencia de un ciclo de refrigeracin.
De acuerdo con Moran y Shapiro (2007), el balance extendido para la exerga es el siguiente:
T0
1 T Q W entrada
m m E
salida
d 0 (1)
La expresin incluye a la transferencia de calor por la interaccin con los alrededores a travs de las
fronteras que se encuentran a una temperatura T. Con un balance de energa se puede obtener dicha
transferencia de calor.
Q W m h (2)
El segundo trmino de la ecuacin 1 es la interaccin exergtica a causa del trabajo mecnico. Las
sumatorias representan la exerga a causa del flujo entrando y saliendo del sistema. El ltimo trmino
representa cuantitativamente las irreversibilidades del sistema. Para las ecuaciones mostradas se han
despreciado los trminos cinticos y potenciales, por lo tanto la exerga se expresa como:
h h0 T0 s s0 (3)
Finalmente, la eficiencia exergtica se define como:
Ed
II 1 (4)
W m succion
Con estas definiciones, pueden ser calculados los valores correspondientes a la transferencia de calor,
destruccin de exerga y eficiencia exergtica. Con un breve algoritmo programado en ESS, son
calculados para cada muestra experimental. En la siguiente sub-seccin se presenta cmo se organizan
los datos y cmo son utilizados para propsitos de modelado y simulacin.
Modelo con redes neuronales artificiales
En ingeniera existen tres principales metodologas para modelar los fenmenos o procesos fsicos,
estos son: modelos fsicos, modelos semi-empricos y modelos empricos. La principal distincin entre
ellos es la cantidad de informacin obtenida del fenmeno bajo anlisis. Esto conlleva una
penalizacin en los altos tiempos de cmputo por la complejidad de las ecuaciones programadas para
su solucin. En el trabajo de Belman et al., (2015) se enfatizan stas y otras diferencias. El modelo
emprico del presente trabajo se cimienta en la herramienta de la inteligencia artificial conocidas como
redes neuronales artificiales.
Las redes neuronales artificiales estn inspiradas en las redes neuronales biolgicas, en particular en
el cerebro. Bsicamente consisten en una serie de unidades de procesamiento (neuronas)
interconectadas entre s mediante ponderaciones ajustables. El mtodo de entrenamiento seleccionado
ajusta estos pesos, de manera que se obtenga con mayor probabilidad la salida deseable
correspondiente a un cierto conjunto de entradas. El aprendizaje consiste en presentar a la red un

99
 MEMORIAS DEL XXXI CONGRESO NACIONAL DE TERMODINMICA
Durango, Dgo., 5-9 de septiembre de 2016

vector de entrada y un vector de salida deseable, la dimensin del vector de entrada es igual al nmero
de neuronas de la capa de entrada, en tanto que la dimensin del vector de salida es igual al nmero
de neuronas de la capa de salida.
En la Figura 2 se presenta la arquitectura propuesta para este trabajo. El vector de entrada contiene a
los siguientes componentes: Rgimen de giro, presin de succin, temperatura de succin y presin
de descarga. Para el vector de salida se propone a la eficiencia exergtica, prdidas de calor y
destruccin de exerga.

BIAS
Rgimen
de giro Eficiencia
exergtica
Presin de BIAS BIAS

succin
Transferencia de
calor
BIAS
Temperatura BIAS
de succin
Destruccin de
exerga
Presin
BIAS
de descarga

BIAS

Figura 2. Arquitectura de la red neuronal propuesta.

Para la configuracin mostrada en la Figura 2, el mtodo de entrenamiento principal empleado es el

algoritmo del templado simulado y el mtodo de entrenamiento secundario es el de algoritmos
genticos, la programacin es hecha en Neural Lab. Es importante mencionar que tambin se usaron
mtodos de entrenamiento hbridos por medio de templado simulado y gradiente conjugado, as
tambin se combinaron los algoritmos genticos con el mtodo del gradiente conjugado. Se eligi esta
forma de entrenamiento porque es la que presenta buenos resultados. Los parmetros de entrenamiento
son ajustados y se seleccionaron los siguientes:

Templado simulado
Temperatura inicial=30
Temperatura final=0.1
Nmero de temperaturas=100
Nmero de iteraciones por temperatura=100
Tasa de enfriamiento=linear

100
 MEMORIAS DEL XXXI CONGRESO NACIONAL DE TERMODINMICA
Durango, Dgo., 5-9 de septiembre de 2016

Algoritmos genticos
Tamao de la poblacin inicial=100
Nmero de generaciones=100
Sobrepoblacin=1.5
Probabilidad de mutacin=0.001
Probabilidad de cruce=0.8
Error absoluto cuadrado deseado=0.00001

Ambos mtodos son programados para efectuar el entrenamiento secuencialmente. Para el dicho
proceso, el conjunto de datos se puede dividir en 70 % para el entrenamiento y 30 % para la validacin,
60 % para el entrenamiento y 40 % para la validacin, etc. Despus de realizar las simulaciones
computacionales, se observ que la tasa de porcentaje que proporciona mejores resultados es 75 %
del total de datos para el entrenamiento (3000 datos), y el 25 % restante para su validacin (1000
datos), misma que es presentada en la siguiente seccin.
3. Resultados y Discusin
El nmero de neuronas en la capa intermedia debe ser elegido de acuerdo a algn criterio propuesto,
en este caso se selecciona de acuerdo al mse (mean squared error) de entrenamiento obtenido para
cada nmero de neuronas en la capa oculta. En la Figura 3 se muestra el mse obtenido para diferentes
redes, como se puede aprecia el error est disminuyendo conforme la red se hace ms compleja. En la
red con cuatro nmero de neuronas en la capa escondida presenta un error notablemente disminudo,
sin embargo para la red con siete neuronas en adelante el error ya no cambia significativamente. Una
arquitectura de con cuatro entradas, siete neuronas en la capa escondida y tres salidas fue la
configuracin que present mejor resultados durante la validacin (4-7-3).
Para la validacin se presentan las Figuras 5, 6 y 7. Aqu se compara la informacin del modelo contra
la informacin obtenida experimentalmente. De acuerdo con las figuras el modelo de RNA predice
los tres parmetros seleccionados con errores inferiores al 10%. En el caso de la prdidas energticas
se aprecia una mayor dispersin, sin embargo, cerca del 95% de los datos caen dentro de la banda de
error del 10%. Dado que el nmero de datos empleado para ests grficas es de 1000 y adems fueron
seleccionados aleatoriamente del conjunto de datos totales, se puede asegurar que el modelo
seleccionado y su arquitectura pueden mapear las irreversibilidades del compresor cuando trabaja a
diferentes condiciones de operacin.
En las Figuras 5, 6 y 7 se pueden apreciar los rangos de los tres parmetros de inters. Por ejemplo:
para las prdidas energticas en forma de calor se muestran valores que van desde 0.4 hasta 1.6 kW.
Un mapeo de la operacin del compresor permitir identificar bajo qu condiciones de operacin se
logra que las prdidas en forma de calor sean menores. De esta manera, se puede extender el
razonamiento para los otros dos parmetros de inters.

101
 MEMORIAS DEL XXXI CONGRESO NACIONAL DE TERMODINMICA
Durango, Dgo., 5-9 de septiembre de 2016

1.8 +10%
0.006

0.005
1.6

Modelado con RNA [kW]

-10%
0.004 1.4

0.003 1.2
Validacin
Entrenamiento
mse

1
0.002
0.8

0.6

0.4 Prdidas de calor

0.001
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Nmero de neuronas en la capa escondida
0.2
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Informacin obtenida con datos experimentales [kW]

Figura 3. Clculo del mse con redes de diferente Figura 4. Validacin experimental de las prdidas
nmero de neuronas. energticas en forma de calor.
5 0.9

+10% 0.85 +10%

4.5
0.8
Modelado con RNA [kW]

Modelado con RNA [kW]

4 0.75
-10%
0.7 -10%
3.5
0.65
3
0.6

2.5 0.55

0.5
2
Destruccin de exerga 0.45 Eficiencia exergtica

1.5 0.4
1.5 2 2.5 3 3.5 4 4.5 5 0.4 0.5 0.6 0.7 0.8 0.9
Informacin obtenida con datos experimentales [kW] Informacin obtenida con datos experimentales [kW]

Figura 5. Validacin experimental de la destruccin de Figura 6. Validacin experimental de eficiencia

exerga. exergtica.

Una vez presentada la validacin, a continuacin se presenta la aplicacin del modelado del compresor
para una simulacin. Los parmetros de inters son obtenidos para diferentes condiciones de
operacin. En la Figura 7 se muestra un breve mapeo de las prdidas energticas en forma de calor.
Las grficas fueron obtenidas manteniendo constante la temperatura en la succin a 290 K, y la presin
de descarga a 1120 kPa. La velocidad de giro vara entre 410 y 580 rpm mientras que la presin en la
succin vara de 365 hasta 385 kPa. En la Figura 7 se aprecia que la velocidad de giro del compresor
influye de manera ms significativa a las prdidas energticas, caso contrario con la presin de
succin, donde prcticamente no tiene una influencia considerable. A mayores velocidades de giro se
generan las mayores prdidas cercanas a 0.8 kW. A diferencia del rgimen de giro, la presin de
succin no es una variable controlable; esto porque dicha presin es una consecuencia de las
condiciones de operacin de los fluidos secundarios (mismos que a la entrada son controlables). Dicho
esto, se debe operar el sistema de compresin bajo las circunstancias en las que en el evaporador se
tengan presiones de succin elevadas para as beneficiar al proceso de compresin.

102
 MEMORIAS DEL XXXI CONGRESO NACIONAL DE TERMODINMICA
Durango, Dgo., 5-9 de septiembre de 2016

Prdidas energticas [kW]

1

0.5

0
385
380 600
375 550
370 500
450
365 400
Ps [kPa] Velocidad de giro [rpm]

Figura 7. Efecto de la velocidad de giro y de la presin de succin en las prdidas energticas en forma de calor.

En la Figura 8 se presenta la destruccin de exerga mapeada para el compresor en cuestin. El

rgimen de giro y la temperatura de succin varan simultneamente para determinar este parmetro.
Esta grfica es obtenida manteniendo constante la presin de succin a 370 kPa y 1120 kPa la presin
de descarga. La temperatura de saturacin a esta presin de succin es de 280 K, lo que indica que el
rango mostrado corresponde a condiciones que fsicamente son posibles ya que se tiene la seguridad
que est ingresando vapor sobrecalentado.
La destruccin de exerga se ve influenciada fuertemente por la velocidad de giro del compresor. En
menor medida el efecto de la temperatura de succin se alcanza a percibir; una mayor temperatura de
succin resulta en un mayor COP, aumenta el efecto frigorfico y disminuye el trabajo de compresin,
por eso, la destruccin exergtica disminuye. Un comportamiento opuesto sucede con la velocidad de
rotacin ya que es proporcional a la destruccin de exerga. El aumento de dicha temperatura puede
lograrse a primera instancia aumentando o impulsando el grado de recalentamiento en el evaporador.

En la Figura 9 se muestra el comportamiento de la eficiencia exergtica. La informacin numrica

presentada muestra consistencia con la Figura 8. En las regiones de mayor destruccin exergtica se
tiene menor eficiencia exergtica.
Destruccin de exerga [kW]

Eficiencia exergtica [-]

2 1

0.9
1.5
0.8
1
0.7
0.5 295
295 400
600 450 290
290 550 500
500 550
450 600 285
285 400 Ts[K]
Ts [K] Velocidad de giro [rpm] Velocidad de giro [rpm]
Figura 8. Efecto de la velocidad de giro y de la Figura 9. Efecto de la velocidad de giro y de la
temperatura de succin (Ts) en la destruccin temperatura de succin (Ts) en la eficiencia exergtica.
exergtica.

103
 MEMORIAS DEL XXXI CONGRESO NACIONAL DE TERMODINMICA
Durango, Dgo., 5-9 de septiembre de 2016

4. Conclusiones

En este trabajo se realiz un anlisis exergtico de un compresor que trabaja dentro de un sistema de
compresin de vapor. El modelado se bas en una tcnica de inteligencia artificial: Redes Neuronales
Artificiales. La red seleccionada tiene cuatro neuronas en la capa de entrada (una para cada variable
de entrada), siete neuronas en la capa oculta (seleccionado de acuerdo a el mse arrojado por la red con
este nmero de neuronas) y 3 neuronas en la capa de salida (una para cada parmetro de salida). El
modelo se valid experimentalmente arrojando resultados dentro de un error relativo del 10%. Se
mape el comportamiento exergtico para identificar las zonas operacionales que son fuente de
prdidas exergticas. Se encontr una contundente influencia de la velocidad de giro en la destruccin
de exerga por lo que se recomienda, operacionalmente, trabajar a bajas revoluciones por minuto. As
mismo, es importante asegurar que el sistema de compresin de vapor garantice que el evaporador
tenga altas presiones de operacin y alto grado de recalentamiento. Estas dos condiciones garantizan
una reduccin tanto en la destruccin exergtica como en las prdidas energticas por disipacin de
calor.
Referencias bibliogrficas

Arora, A. and Kaushik, S.C., 2008. Theoretical analysis of a vapour compression refrigeration
system with R502, R404A and R507A. International Journal of Refrigeration, 31, 998-1005.
Barroso Maldonado J.M., Belman Flores J.M., Rubio Maya C., 2015. A brief model to
evaluate the behaviour of R134a/R1234yf mixtures on a reciprocating compressor. IMECE2015, 6B.
Barroso Maldonado J.M., Belman Flores J.M., Ledesma S., 2015. Modeling of the
Compression Process for Refrigerants R134a and R1234yf of a Variable Speed Reciprocating
Compressor. Journal of Advanced Thermal Science Research, 1(2), 11-22.
Belman Flores J.M., Barroso Maldonado J.M., Mendoza J.M., Gallegos Muoz A., Riesco
vila J.M., Rubio Arana C., 2013. Simulacin Energtica de un Aire Acondicionado Automotriz
Trabajando con Refrigerantes R1234yf y R134a. SOMIM, 1412-1421.
Belman Flores J.M., Barroso Maldonado J.M., Rodrguez Muoz A.P., Camacho Vzquez G.,
2015. Enhancements in domestic refrigeration, approaching a sustainable refrigerator-a review.
Renew Sustain Energy Reviews, 51, 955-968.
Belman Flores J.M., Ledesma S., Barroso Maldonado J.M., 2015. A comparison between the
modeling of a reciprocating compressor using artificial neural network and physical model.
International Journal of Refrigeration, 59, 144-156.
Kalogirou S.A., 2000. Application of artificial neural-networks for energy systems. Applied
Energy, 67, 17-35.
Mohanraj M., Jayaraj S., Muraleedharan C., 2012. Applications of artificial neural networks
for refrigeration, air-conditioning and heat pump systems-A review. Renewable and Sustainable
Energy Reviews, 16, 1340-1358.
Moran, M.J. and Shapiro, N.H., 2007. Fundamentals of Engineering Thermodynamics. 6th ed.
Toronto, John Wiley and Sons, INC.
Navarro E., Granryd E., Urchuegua J.F., Corbern J.M., 2007. A phenomenological model
for analyzing reciprocating compressors. International Journal of Refrigeration, 30, 1254-1265.

104
 MEMORIAS DEL XXXI CONGRESO NACIONAL DE TERMODINMICA
Durango, Dgo., 5-9 de septiembre de 2016

Navarro E., Mendoza J., Mota A., Barragn A., Belman J.M., 2013. Experimental Analysis
of R1234yf as a Drop-In Replacement of R134a in a Vapor Compression System. International Journal
of Refrigeration, 36, 870-880.
Pereira E., Deschamps C., Ribas F., 2008. Performance analysis of reciprocating compressors
through computational fluid dynamics. Journal of Process Mechanical Engineering, 222, 183-192.
Ramadan B., 2009. Evaluating the effect of the space surrounding the condenser of a
household refrigerator. International Journal of Refrigeration, 32, 645-56.
Waltrich P, Barbosa J., Hermes C., 2011. COP-based optimization of accelerated flow
evaporators for household refrigeration applications. Applied Thermal Engineering, 31, 129-35.
Wynandi E., Saavedra C., Lebrun J., 2002. Simplified modelling of an open type reciprocating
compressor. International Journal of Thermal Science, 41, 183-192.
Yumrutas, R., Kunduz, R. and Kanoglu M., 2002. Exergy analysis of vapor compression
refrigeration systems. Exergy and International Journal, 2, 266-272.
Zilio C., Steven B., Schichet G., Cavallini A., 2011. The Refrigerant R1234yf in Air
Conditioning Systems. Energy, 36, 6110-6120.

105