Optimization of the performance of magnetic refrigeration systems using artificial intelligence

Abstract

A refrigeração tem transformado significativamente a sociedade moderna, com sistemas que desempenham um papel vital na vida cotidiana e nos processos industriais. No entanto, esses sistemas contribuem significativamente para o consumo global de energia e para a degradação ambiental, representando 20% do consumo global de eletricidade e 10% das emissões de gases de efeito estufa. Tal cenário tende a se tornar cada vez mais crítico, uma vez que a Agência Internacional de Energia projeta que as instalações de aparelhos de arcondicionado em todo o mundo triplicarão até 2050. Além disso, a Emenda de Kigali, uma extensão do Protocolo de Montreal, estabelece a redução e a eliminação dos refrigerantes comumente utilizados em sistemas convencionais de aquecimento, ventilação e refrigeração. Esses desafios posicionam a demanda por tecnologias de refrigeração energeticamente eficientes e ambientalmente amigáveis como uma questão crítica no debate global sobre energia. A refrigeração magnetocalórica surgiu como uma das alternativas mais promissoras, aproveitando o efeito magnetocalórico para proporcionar um resfriamento eficiente e sustentável. Esta tecnologia utiliza refrigerantes sólidos, eliminando o vazamento de substâncias prejudiciais e minimizando o consumo de energia durante a operação. Apesar de seu potencial, a refrigeração magnetocalórica ainda não atingiu viabilidade comercial, com mais de 40 institutos de pesquisa em todo o mundo trabalhando no desenvolvimento de protótipos e dispositivos experimentais. Nos últimos anos, aplicações de inteligência artificial têm ganhado cada vez mais destaque, podendo ser utilizadas em sistemas de engenharia para otimizar esses sistemas. Esta tese explora a integração de inteligência artificial para otimizar o desenvolvimento e o desempenho de sistemas de refrigeração magnetocalórica. Um protótipo em larga escala para aplicações de ar-condicionado foi avaliado experimentalmente e utilizado como fonte de dados para o desenvolvimento de modelos. O estudo incorpora dados experimentais e literários para construir uma Rede Neural Artificial capaz de prever o desempenho do sistema em diferentes condições operacionais. Além disso, modelos transientes foram desenvolvidos para simular comportamentos dinâmicos e melhorar a eficiência do sistema. Técnicas de inteligência artificial também foram aplicadas à análise de incerteza, fornecendo insights sobre os principais parâmetros de projeto que afetam o desempenho do sistema. Os métodos aplicados à otimização de sistemas magnetocalóricos também foram explorados em outras áreas da engenharia, como as energias renováveis e os sistemas de óleo e gás. A integração de inteligência artificial não apenas melhora a precisão dos modelos do sistema, mas também abre caminho para novas aplicações na engenharia, particularmente na otimização do consumo de energia, da confiabilidade do sistema e do desempenho. Os resultados apresentados nesta tese demonstram que a inteligência artificial pode desempenhar um papel fundamental no avanço da comercialização da refrigeração magnetocalórica, melhorando a eficiência do design e da operação do sistema. Este trabalho contribui para o desenvolvimento contínuo de soluções de refrigeração mais sustentáveis e energeticamente eficientes, oferecendo valiosos insights para pesquisas futuras e aplicações em setores críticos, como o de ar-condicionado e o de refrigeração, entre outros.

Abstract: Refrigeration has significantly transformed modern society, with systems that play a vital role in daily life and industrial processes. However, these systems contribute substantially to global energy consumption and environmental degradation, accounting for 20% of global electricity use and 10% of greenhouse gas emissions. This scenario tends to become increasingly critical, as the International Energy Agency projects that air-conditioning installations worldwide will triple by 2050. In addition, the Kigali Amendment, an extension of the Montreal Protocol, mandates the reduction and phase-out of refrigerants commonly used in conventional heating, ventilation, and cooling systems. These challenges position the demand for energy-efficient and environmentally friendly refrigeration technologies as a critical issue in the global energy debate. Magnetocaloric refrigeration has emerged as one of the most promising alternatives, harnessing the magnetocaloric effect to provide efficient and sustainable cooling. This technology uses solid refrigerants, eliminating the leakage of harmful substances and minimizing energy consumption during operation. Despite its potential, magnetocaloric refrigeration has not yet reached commercial viability, with more than 40 research institutes worldwide working on the development of prototypes and experimental devices. In recent years, artificial intelligence applications have gained increasing prominence and can be used in engineering systems for optimization. This thesis explores the integration of artificial intelligence to optimize the development and performance of magnetocaloric refrigeration systems. A large-scale prototype for air-conditioning applications was experimentally evaluated and used as a data source for model development. The study incorporates experimental and literature data to build an Artificial Neural Network capable of predicting system performance under different operating conditions. Furthermore, transient models were developed to simulate dynamic behaviors and improve system efficiency. Artificial intelligence techniques were also applied to uncertainty analysis, providing insights into the key design parameters that affect system performance. The methods applied to the optimization of magnetocaloric systems were also explored in other engineering fields, such as renewable energy and oil and gas systems. The integration of artificial intelligence not only improves the accuracy of system models but also paves the way for new AI applications in engineering, particularly in optimizing energy consumption, system reliability, and performance. The results presented in this thesis demonstrate that artificial intelligence can play a fundamental role in advancing the commercialization of magnetocaloric refrigeration by improving system design and operation efficiency. This work contributes to the ongoing development of more sustainable and energy-efficient refrigeration solutions, offering valuable insights for future research and applications in critical sectors such as air conditioning and refrigeration, among others.