Viskositas: Viscosity Prediction of Multicomponent Chemical Systems
تقدم الورقة البحثية "Viskositas"، وهو نموذج قائم على الشبكات العصبية الاصطناعية يتفوق على النماذج الخطية وغير الخطية والتجارية الحالية في التنبؤ بلزوجة الأنظمة الكيميائية متعددة المكونات من خلال تحقيق أخطاء أقل، وتباين أقل، وعدد أقل من القيم المتطرفة عبر ضبط المعلمات الفائقة بشكل أمثل.
في عوالم إنتاج الصلب وتصنيع الزجاج ذات الحرارة العالية، وكذلك في أعماق قشرة الأرض حيث تذوب الصخور وتتدفق، تملي خاصية فيزيائية واحدة كيفية سلوك المواد: اللزوجة. واللزوجة ببساطة هي مقياس لمقاومة السائل للتدفق، أو مدى كثافته وبطء حركته. تخيل العسل وهو ينسكب ببطء من ملعقة مقارنة بالماء المتدفق من صنبور؛ هذا الفرق في المقاومة هو اللزوجة. وبالنسبة للمهندسين والجيولوجيين، يعد معرفة هذه القيمة أمراً بالغ الأهمية. ففي مصنع الصلب، يضمن السمك المناسب للخبث المنصهر إزالة الشوائب بكفاءة؛ وفي إنتاج الزجاج، يحدد ما إذا كان يمكن تشكيل المادة أو ما إذا كانت ستتصدع. ومع ذلك، فإن قياس هذه الخاصية مهمة صعبة ومكلفة؛ فهي تتطلب معدات متخصصة وباهظة الثمن ووقتاً طويلاً لتسخين العينات حتى تصبح متجانسة تماماً، وحتى عند حد الفعالية، يمكن أن تتأثر النتائج بأخطاء طفيفة في الإجراءات. وبسبب هذه العقبات، اعتمد العلماء لفترة طويلة على الصيغ الرياضية للتنبؤ باللزوجة بناءً على مكونات الخليط ودرجة حرارته، لكن هذه المعادلات التقليدية غالباً ما تفشل عند تطبيقها على الأنظمة المعقدة متعددة المكونات.
لقد شرع باحث في المعهد الفيدرالي في إسبيريتو سانتو بالبرازيل في حل هذه المشكلة عن طريق تعليم الكمبيوتر تعلم أنماط السوائل المتدفقة مباشرة من البيانات، بدلاً من إجبار البيانات على الانصياع لصيغ جامدة. قام باتريك دوس أنخوسوس بتجميع مجموعة ضخمة من النتائج التجريبية من الأدبيات العلمية، حيث جمع آلاف القياسات من أنظمة كيميائية متنوعة تشمل أكاسيد السيليكون، والكالسيوم، والألومنيوم، والحديد، والعديد غيرها، وكلها مسجلة في درجات حرارة مختلفة. كان الهدف هو بناء نوع جديد من أدوات التنبؤ التي يمكنها التعامل مع الواقع الفوضوي للكيمياء الصناعية. وبدلاً من استخدام معادلة قياسية، قام الباحث بتدريب شبكة عصبية اصطناعية، وهي نوع من برامج الكمبيوتر المستوحاة من الدماغ البشري، لإيجاد الروابط الخفية بين الوصفة الكيميائية للخليط، ودرجة حرارته، وكثافته الناتجة. تم تغذية النظام بالتركيب الكيميائي ودرجة الحرارة كمدخلات، وطُلب منه التنبؤ باللزوجة، حيث تعلم من أخطائه عبر آلاف الدورات حتى تمكن من تقديم تخمينات دقيقة لبيانات لم يرها من قبل.
أثبت النموذج الناتج، والذي أطلق عليه اسم "Viskositas"، أنه يمثل تحسناً كبيراً مقارنة بالطرق الحالية. فعند اختباره مقابل مجموعة جديدة من البيانات التي لم يستخدمها الكمبيوتر أثناء تدريبه، ارتكب "Viskositas" أخطاء أقل وأظهر تبايناً عشوائياً أقل من ستة نماذج أخرى معتمدة موجودة في الأدبيات العلمية، وحتى من برنامج تجاري شهير يستخدمه المحترفون في الصناعة. وكان النموذج الجديد بارعاً بشكل خاص في تجنب الأخطاء الجسيمة، المعروفة بالقيم المتطرفة، والتي يمكن أن تكون كارثية في بيئة صناعية حيث يمكن أن يؤدي التنبؤ الخاطئ إلى فشل دفعة من الزجاج أو توقف عملية إنتاج الصلب. ومن خلال تحليل المكونات التي أولى الكمبيوتر اهتماماً أكبر بها، أكدت الدراسة المبادئ العلمية المعروفة: إذ تميل بعض المكونات مثل السيليكا إلى جعل السائل أكثر كثافة، بينما تعمل مكونات أخرى مثل أكسيد الكالسيوم أو الفلوريت على تقليل كثافته، كما أن درجات الحرارة الأعلى تجعل الخليط يتدفق بسهولة أكبر باستمرار. وقد أظهرت الدراسة أنه من خلال ترك الكمبيوتر يتعلم من قاعدة بيانات واسعة من القياسات الواقعية، من الممكن إنشاء أداة موثوقة ومرنة للتنبؤ بكيفية سلوك السوائل الكيميائية المعقدة، مما يوفر دليلاً أكثر دقة للصناعات التي تعتمد على التحكم في تدفق المواد المنصهرة.
ملخص تقني: Viskositas – نهج الشبكة العصبية للتنبؤ باللزوجة في الأنظمة الكيميائية متعددة المكونات
بيان المشكلة تعد اللزوجة معلماً حرجاً في العمليات المعدنية (مثل إزالة الكبريت من الصلب، ومعالجة الشوائب، والصب المستمر) وفي صناعة الزجاج (مثل التكرير، والتجانس)، وكذلك في الجيوفيزياء. ومع ذلك، فإن القياس التجريبي للزوجة مكلف مالياً، ويستغرق وقتاً طويلاً، وعرضة للأخطاء الإجرائية، حيث تتراوح أخطاء الدقة المسجلة بين 5-20% وأخطاء الضبط بين 1-5%. وبينما توجد نماذج عددية وشبه تجريبية، إلا أنها غالباً ما تعاني من محدودية التطبيق بسبب القيود المفروضة على التركيبات الكيميائية، ودرجات الحرارة، ونطاقات اللزوجة التي تم التحقق من صحتها. هناك حاجة إلى نموذج قوي وغير خطي قادر على التنبؤ باللزوجة عبر أنظمة كيميائية متنوعة متعددة المكونات دون قيود المعادلات التجريبية التقليدية.
المنهجية قام البحث بتطوير نموذج تنبؤي يسمى Viskositas باستخدام الشبكات العصبية الاصطناعية (ANN). تضمنت المنهجية الخطوات التالية:
بناء قاعدة البيانات: تم تجميع مجموعة بيانات من مقالين علميين دوليين وأطروحة بكالوريوس، بإجمالي 7,035 نقطة بيانات أولية تغطي نطاقاً واسعاً من الأنظمة الكيميائية (بما في ذلك الأكاسيد مثل SiO₂، Al₂O₃، CaO، MgO، FeO، إلخ، والفلوريدات).
المعالجة المسبقة:
التصفية: تمت تصفية البيانات لتشمل فقط السوائل السائلة تماماً (درجات حرارة أعلى من درجة حرارة السيولة المحسوبة، Tliq) لضمان السلوك النيوتوني المناسب لنماذج أرينيوس أو VFT.
هندسة الميزات: تم حساب درجة إزالة البلمرة (NBO/T) لتوصيف البنية الكيميائية.
إزالة القيم المتطرفة: تم تطبيق حدود إحصائية بناءً على الربيعات لإزالة القيم المتطرفة في كل من توزيعات NBO/T واللزوجة.
التحويل: تم تحويل قيم اللزوجة إلى مقياس لوغاريتمي (log10η) لتقليل الأبعاد والتكيف مع متطلبات النمذجة الرياضية.
التقييس: تم تقييس جميع متغيرات التنبؤ (التركيب الكيميائي بالنسبة المئوية للكتلة ودرجة الحرارة بالكلفن) باستخدام طريقة الدرجة المعيارية (z-score) للحصول على متوسط 0 وانحراف معياري 1.
التقسيم: تم تقسيم مجموعة البيانات النهائية المكونة من 5,659 مدخلاً فريداً إلى 81% للتدريب، 9% للتحقق، و10% للاختبار.
بنية النموذج:
استخدمت الشبكة العصبية الاصطناعية (ANN) 20 عصبون مدخل (المكونات الكيميائية ودرجة الحرارة) وعصبون مخرج واحد (log10η).
تم إجراء تحسين للمعلمات الفائقة لتحديد البنية المثلى. يتميز النموذج المختار، Viskositas، بـ 3 طبقات مخفية تحتوي كل منها على 22 عصبون (مما يلبي الحد الأدنى من متطلبات عرض التقريب العالمي wmin≤dx+dy+1).
كانت دالة التنشيط المستخدمة هي ReLU، مع تهيئة أوزان He uniform وتهيئة انحياز صفرية.
استخدم التدريب محسن Adam مع دالة فقدان متوسط مربع الخطأ (MSE) والتوقف المبكر (Early Stopping) لمنع الإفراط في التخصيص (overfitting).
التحليل الإحصائي: تم تقييم أداء النموذج باستخدام متوسط الخطأ المطلق (MAE)، والانحراف المعياري للخطأ (Std)، ومعامل التحديد (R2). كما تم إجراء تحليل الحساسية باستخدام خوارزمية أوزان الاتصال لتحديد الأهمية النسبية لمتغيرات المدخلات.
المساهمات الرئيسية
تطوير Viskositas: إنشاء نموذج ANN متخصص قادر على التنبؤ باللزوجة للأنظمة الكيميائية المعقدة متعددة المكونات بناءً على التركيب ودرجة الحرارة.
تكامل قاعدة بيانات شاملة: تركيب مجموعة بيانات كبيرة ومتنوعة تغطي العديد من أنظمة الأكاسيد، والفلوريدات، ونطاقات درجات الحرارة، والتي تمت معالجتها مسبقاً لضمان الاتساق الفيزيائي (الحالة السائلة فقط).
تحليل الحساسية: تطبيق خوارزمية أوزان الاتصال لتحديد الأهمية النسبية لأنواع كيميائية محددة (مثل معدلات الشبكة مقابل مكونات الشبكة) ودرجة الحرارة على اللزوجة المتوقدة، مما يتوافق مع النظريات الكيميائية الراسخة (مثل دور NBO/T وسلوكات الأكاسيد المحددة).
النتائج تمت مقارنة نموذج Viskositas مع ستة نماذج من الأدبيات (Shaw، Watt-Fereday، Bomkamp، Riboud، Duchesne، وANNLiq) ومع نموذج تجاري واحد (وحدة اللزوجة ™FactSage 7.2).
مقاييس الأداء: قدم نموذج Viskositas ووحدة اللزوجة ™FactSage 7.2 أفضل النتائج من حيث MAE وStd وR2 مقارنة بنماذج الأدبيات الأخرى. ومع ذلك، عند مقارنة هذين الأفضل أداءً، أظهر Viskositas تفوقاً إحصائياً، محققاً أقل MAE وانحراف معياري، وR2 أعلى في قاعدة بيانات الاختبار.
توزيع الخطأ: كشف تحليل الالتواء والتفرطح أن Viskositas أنتج عدداً أقل من القيم المتطرفة وأظهر تباينًا أقل في أخطاء التنبؤ مقارنة بوحدة FactSage. وتحديداً، أظهر Viskositas حداً أقصى للخطأ السالب قدره -1.3920 وحداً أقصى للخطأ الموجب قدره 1.0507 (في log10η)، وهو ما يتفوق بشكل كبير على وحدة FactSage التي أظهرت أخطاء بلغت -5.2931 و2.0832 على التوالي.
أهمية المتغيرات: أكد تحليل الحساسية أن درجة الحرارة والأكاسيد المحددة (مثل معدلات الشبكة مثل CaO وMgO والمعادن القلوية) لها علاقات جوهرية مع اللزوجة. ويتوافق التحليل مع التوقعات النظرية حيث تتناسب درجة الحرارة عكسياً مع اللزوجة؛ إذ يؤدي انخفاض درجة الحرارة إلى تقليل درجة الاضطراب بين الأنواع الكيميائية، مما يقلل من السيولة ويزيد من اللزوجة.
الأهمية يزعم البحث أن نموذج Viskositas يقدم بديلاً موثوقاً للقياسات التجريبية للزوجة المكلفة والمعرضة للخطأ. ومن خلال الاستفادة من قاعدة بيانات كبيرة ومعالجة مسبقاً وبنية شبكة عصبية غير خطية، يوفر النموذج تنبؤات بأخطاء أقل، وتباين أقل، وقيم متطرفة أقل من نماذج الأدبيات الموجودة وبرنامج FactSage التجاري. وتعد هذه القدرة مهمة للصناعات التي تعتمد على بيانات لزوجة دقيقة لتحسين العمليات في مجال التعدين وصناعة الزجاج، حيث تحد القيود التجريبية غالباً من توافر البيانات. وتثبت الدراسة جدوى استخدام الشبكات العصبية الاصطناعية للتغلب على قيود التطبيق التي تواجهها النماذج شبه التجريبية التقليدية في الأنظمة الكيميائية متعددة المكونات.