A obtenção de dados experimentais de sistemas de condicionamento de ar está usualmente associada a experimentos laboriosos e prolongados que possuem custos financeiros consideráveis. Uma alternativa para evitar a realização de experimentos é o uso de técnicas computacionais de modelagem ou simulação, as quais, idealmente, devem permitir a obtenção de dados de forma estável, rápida e precisa. Técnicas de simulação numérica, embora precisas, podem ser instáveis e estão, geralmente, associadas a altos custos computacionais, tornando sua aplicação inviável em cenários nos quais o comportamento atual do sistema precisa ser obtido de forma rápida. Nestes casos, em particular, o uso de redes neurais artificiais pode apresentar grandes vantagens, dado seu baixo custo computacional para obtenção dos resultados. Redes neurais artificiais (RNAs) são modelos bioinspirados que buscam mimetizar o comportamento do cérebro humano para a resolução de problemas específicos e bem definidos, tendo apresentado resultados satisfatórios em diversas aplicações (inclusive na modelagem de sistemas de condicionamento de ar). A partir de um conjunto inicial de dados para os quais há uma resposta desejada associada, uma RNA pode ser treinada para, posteriormente, produzir respostas para dados até então não vistos. Neste sentido, a rede neural artificial aprende ou generaliza a partir de dados de treinamento. Os principais objetivos deste projeto são o estudo, implementação e aplicação de redes neurais artificiais para a modelagem de um sistema de condicionamento de ar do tipo janela. O condicionador de ar em questão já é objeto de estudo no Laboratório de Refrigeração Veicular (LDRV), tendo sido instrumentado para obtenção de dados experimentais. Os dados experimentais obtidos serão utilizados para o treinamento de um ou mais modelos de RNAs. Eventualmente, caso a quantidade de dados experimentais obtida seja insuficiente para a obtenção de modelos precisos, dados de simulação numérica podem também ser gerados para, em conjunto com os dados experimentais, permitir o treinamento dos modelos. Os modelos serão, então, avaliados de forma rigorosa a fim de determinar se podem ser usados como representação confiável do sistema de condicionamento de ar.