Modelado dinámico de enfriadoras por absorción mediante LSTM y CNN-LSTM
DOI:
https://doi.org/10.17979/ja-cea.2026.47.13696Palabras clave:
Modelo LSTM, Modelo H´íbrido CNN-LSTM, Máquina de absorción, Software LibreResumen
La siguiente investigación presenta el desarrollo de modelos de “caja negra” para la caracterización dinámica de una máquina de refrigeración por absorción Yazaki WFC SC20. A diferencia de estudios previos basados en software propietario, esta investigación utiliza tecnologías de software libre como Python y PyTorch para mejorar la replicabilidad y escalabilidad del modelado. Se diseñaron y compararon dos arquitecturas de redes neuronales profundas: una red de memoria a corto y largo plazo (LSTM) y un modelo híbrido convolucional-recurrente (CNN-LSTM). Para optimizar el rendimiento, se empleó el framework Optuna, permitiendo una búsqueda inteligente de hiperpar´ámetros y la selección de las variables de entrada. Los modelos fueron entrenados y validados con datos reales de la instalación solar térmica del centro CIESOL correspondientes a los años 2014 y 2015. Los resultados demuestran que la arquitectura que mejor describe el comportamiento de la máquina es la CNN-LSTM.
Referencias
Akiba, T., Sano, S., Yanase, T., Ohta, T., Koyama, M., 2019. Optuna: A next generation hyperparameter optimization framework. In: Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. KDD ’ 19. Associationfor Computing Machinery, NewYork, NY, USA, p. 2623–2631. URL: https://doi.org/10.1145/3292500.3330701 DOI: 10.1145/3292500.3330701
Ferre, A., Castilla, M., Carballo, J. A., ´Álvarez, J. D., 2023. Characterization of an absorption machine using artificial neural networks. In: Maglogiannis, I., Iliadis, L., MacIntyre, J., Dominguez, M. (Eds.), Artificial Intelligence Applications and Innovations. Springer Nature Switzerland, Cham, pp. 279–291.
Gobierno de España, 2023. Plan nacional integrado de energía y clima 2023 2030 (pniec). Documento oficial.
Hosseini, P., 2022. Deep-learning neural network prediction of a solar-based absorption chiller cooling system performance using waste heat. Sustainable Energy Technologies and Assessments 53, 102683. URL: https://www.sciencedirect.com/science/article/pii/S2213138822007329 DOI: https://doi.org/10.1016/j.seta.2022.102683
IEA, 2022. International energy agency- key world energy statistics 2021. Tech. rep. URL: https://www.iea.org/reports/key-world-energy-statistics-2021
Panahizadeh, F., Hamzehei, M., Farzaneh-Gord, M., Villa, A. A. O., 2021. Evaluation of machine learning-based applications in forecasting the performance of single effect absorption chiller network. Thermal Science and Engineering Progress 26, 101087. URL: https://www.sciencedirect.com/science/article/pii/S2451904921002481 DOI: https://doi.org/10.1016/j.tsep.2021.101087
Rodríguez-Ramos, A., Ma, L., Verde, C., Silva Neto, A. J., Llanes-Santiago, O., 2026. Anoptimized deep learning framework for fault and cyberattack detection in chemical process monitoring. Chemical Engineering Science 320, 122608. URL: https://www.sciencedirect.com/science/article/pii/S0009250925014290 DOI: https://doi.org/10.1016/j.ces.2025.12260
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Zuliet Medina Rodríguez, Juana López Redondo , María del Mar Castilla Nieto, José Domingo Álvarez Hervás
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
