Los refrigerantes ecológicos con cero potencial de agotamiento de ozono (ODP) y cero potencial de calentamiento global (GWP) están en gran demanda en todo el mundo. Uno de estos refrigerantes populares es el isobutano (R600a), que, al tener cero ODP y un GWP negligible, se considera en este estudio. Este documento presenta las dos técnicas de inteligencia artificial (IA) más populares, a saber, la regresión de vectores de soporte (SVR) y las redes neuronales artificiales (ANN), para predecir el coeficiente de transferencia de calor del refrigerante R600a. Los parámetros de entrada independientes de los modelos incluyen flujo másico, temperatura de saturación, flujo de calor y fracción de vapor. El coeficiente de transferencia de calor del R600a es el parámetro de salida dependiente. El rendimiento de predicción de estos modelos basados en IA se compara y valida con los resultados experimentales, así como con las correlaciones existentes basadas en los parámetros estadísticos. Se observa que el modelo SVR, basado en el principio de minimización del riesgo estructural (SRM), es superior en comparación con los otros modelos y es más preciso, exacto y altamente generalizado; tiene el error absoluto relativo promedio más bajo (AARE) del 1.15% y el coeficiente de determinación (R) más alto de 0.9981. La ANN da un AARE del 5.14% y un valor de R de 0.9685. Además, los resultados simulados predicen con precisión el efecto de los parámetros de entrada en el coeficiente de transferencia de calor.