Este artículo presenta un modelo neurodifuso orientado al control de evaporadores de placas brasadas para su uso en motores de ciclo Rankine orgánico (ORC) para la recuperación de calor residual de corrientes de gases de escape de motores diésel, entre otras aplicaciones. La modelización cuidadosa del evaporador es crucial para evaluar el rendimiento dinámico del sistema ORC y desafiante debido a la alta no linealidad de sus ecuaciones gobernantes. El modelo propuesto del sistema de inferencia neurodifuso adaptativo (ANFIS) consta de dos submodelos neurodifusos separados para predecir la temperatura de salida del evaporador y la presión de evaporación. Se recopilan datos experimentales de un prototipo ORC de 1 kWe para entrenar y verificar la precisión del modelo ANFIS, que se beneficia del cálculo de salida de avance y la capacidad de retropropagación de la red neuronal, manteniendo la interpretabilidad de los sistemas difusos. Se investiga el efecto de entrenar los modelos utilizando las técnicas de estimación de mínimos cuadrados de descenso de gradiente (GD-LSE) y optimización de enjambre de partículas (PSO), y se comparan el rendimiento de ambas técnicas en términos de RMSE y coeficientes de correlación. Los resultados de la simulación indican una fuerte capacidad de aprendizaje y un alto rendimiento de generalización para ambos. El entrenamiento de los modelos ANFIS utilizando el algoritmo PSO mejoró los valores de RMSE de los datos de prueba obtenidos en un 29% para la temperatura de salida del evaporador y en un 18% para la presión de salida del evaporador. La precisión y la velocidad del modelo ilustran su potencial para fines de control en tiempo real.