Los eyeccionadores han ganado un renovado interés en las últimas décadas, especialmente en sistemas de refrigeración impulsados por calor, para reducir la carga del compresor. Su rendimiento suele estar influenciado por muchos factores, incluidos el fluido de trabajo, las condiciones de operación y los parámetros geométricos básicos. Determinar las relaciones entre estos factores y predecir con precisión el rendimiento del eyeccionador en un amplio rango de condiciones sigue siendo un desafío. El objetivo de este estudio es desarrollar modelos rápidos y eficientes para el diseño y operación de eyeccionadores utilizando redes neuronales artificiales. Para este fin, se construyen dos modelos. El primero predice la relación de compresión de arrastre y límite dado 12 parámetros de entrada, incluidas las condiciones de operación y la geometría. El segundo modelo predice la geometría óptima dada el rendimiento deseado y las condiciones de operación. Se ha construido una base de datos experimental de eyeccionadores utilizando cinco fluidos de trabajo (R134a, R245fa, R141b y R1234ze(E), R1233zd(E)) para entrenamiento y validación. La precisión de los modelos de RNA se evalúa en términos del coeficiente de correlación lineal (R) y el error cuadrático medio (MSE). Los resultados obtenidos después del entrenamiento para ambos casos muestran un MSE máximo de menos del 10% y un coeficiente de regresión (R) de, respectivamente, 0.99 y 0.96 cuando se prueban con nuevos datos. Los dos modelos tienen entonces una buena capacidad de generalización y pueden ser utilizados para fines de diseño de futuros sistemas de refrigeración.