MEJORA EN LA PREDICCIÓN DEL COP EN BOMBAS DE CALOR POR ABSORCIÓN MEDIANTE EL USO DE NUEVAS FUNCIONES DE TRANSFERENCIA DE ORDEN ENTERO, FRACCIONARIO Y CONFORMABLE EN REDES NEURONALES ARTIFICIALES

La predicción precisa del Coeficiente de Rendimiento (COP) en los transformadores de calor por absorción sigue siendo un desafío crítico para el avance de la ingeniería energética y los sistemas térmicos sostenibles. En consecuencia, este estudio se enfoca en mejorar la exactitud y confiabilidad de la predicción del COP mediante un análisis comparativo exhaustivo de funciones de transferencia de orden entero, fraccionario y conformable dentro del marco de las Redes Neuronales Artificiales (RNA). Para optimizar el proceso de estimación, se evaluó un conjunto diverso de funciones, incluyendo Logsig, Tansig, Swish, ELU, GELU y dSiLU, junto con sus respectivas variantes fraccionarias y conformables. Mientras que los intentos de modelado previos con arquitecturas estándar (las cuales incorporaban 16 variables de entrada y capas ocultas de 3 o más neuronas) fracasaban frecuentemente al intentar satisfacer criterios rigurosos de confiabilidad como la prueba de linealidad de pendiente e intercepto, esta investigación resuelve dichas limitaciones a través de un refinamiento arquitectónico y matemático.