🔬 condensed matter

Hydrogen production from blended waste biomass: pyrolysis, thermodynamic-kinetic analysis and AI-based modelling

تستقصي هذه الدراسة التحويل الكيميائي الحراري لتفل القهوة المستهلكة ونوى التمر من أجل إنتاج الهيدروجين المستدام عبر التحلل الحراري، وذلك باستخدام تحليلات حركية وديناميكية حرارية شاملة إلى جانب نموذج "الذاكرة الطويلة قصيرة المدى" (LSTM) القائم على الذكاء الاصطناعي لتحسين كفاءة العملية والتنبؤ بسلوك التحلل الحراري بدقة استثنائية.

المؤلفون الأصليون: Sana Kordoghli, Abdelhakim Settar, Oumayma Belaati, Mohammad Alkhatib, Khaled Chetehouna, Zakaria Mansouri

نُشر 2026-01-15

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Sana Kordoghli, Abdelhakim Settar, Oumayma Belaati, Mohammad Alkhatib, Khaled Chetehouna, Zakaria Mansouri

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أن لديك نوعين من نفايات المطبخ التي تنتهي عادةً في مكبات النفايات: بقايا القهوة من مشروبك الصباحي، ونوى التمر الصلبة. بدلاً من رميها، يتساءل هذا البحث: ماذا لو استطعنا تحويل هذه النفايات إلى وقود نظيف (هيدروجين) باستخدام الحرارة، واستخدمنا عقلًا حاسوبيًا فائق الذكاء لمعرفة الوصفة المثالية؟

إليك قصة تلك التجربة، مقسمة ببساطة:

1. المكونات: القهوة والتمور

أخذ الباحثون بقايا تفل القهوة (SCG) ونوى التمر (DS). فكر في هذه المكونات كنوعين مختلفين من "الخشب" المكون من ألياف نباتية (السليلوز، والهيميسليلوز، واللجنين).

بقايا القهوة: تشبه الإسفنجة الكثيفة والزيتية.
نوى التمر: تشبه الثمرة الصلبة الليفية.

لم يختبروها بمفردها فحسب؛ بل خلطوها معًا بنسب مختلفة (خلطات)، تمامًا مثل طاهٍ يختبر نسبًا مختلفة من الدقيق والسكر ليرى أي منها يصنع أفضل كعكة. لقد جربوا ثلاث خلطات: معظمها تمر، وتقسيم 50/50، ومعظمها قهوة.

2. عملية الطهي: فرن "التحلل الحراري" (Pyrolysis)

لتحويل هذه النفايات إلى غاز، وضعوا العينات في فرن خاص يسمى مفاعل التحلل الحراري.

الطريقة: قاموا بتسخين العينات حتى درجة 650 مئوية (حرارة عالية جدًا!) دون وجود أكسجين. الأمر يشبه تحميص قطعة "مارشميلو" فوق نار، ولكن بدلًا من تركها تحترق بلهب، يقومون بحبس الدخان والغازات بالداخل.
الهدف: عندما تتعرض هذه الألياف النباتية لحرارة شديدة، فإنها تتفكك. أراد الباحثون معرفة كمية غاز الهيدروجين (وقود نظيف) التي يمكنهم التقاطها في حقيبة، جنبًا إلى جنب مع الغازات الأخرى.

3. العمل الاستقصائي: الحركية والديناميكا الحرارية

قبل أن يبدأوا بالطهي، كان عليهم فهم كيفية سلوك المكونات تحت تأثير الحرارة. استخدموا ثلاث أدوات رئيسية:

الميزان (TGA): وزنوا العينات أثناء تسخينها لمعرفة متى بدأت تفقد وزنها (تتحول إلى غاز).
عداد السرعة (Kinetics): حسبوا "تكلفة الطاقة" لكسر الروابط. تخيل محاولة فتح برطمان؛ بعض البرطمانات (مثل نوى التمر) سهلة الفتح (تحتاج طاقة أقل)، بينما البعض الآخر (مثل بقايا القهوة) عالق بإحكام ويحتاج إلى قوة كبيرة (طاقة أعلى).
- المفاجأة: كانت الخلطة المكونة من 75% تمر / 25% قهوة هي الأسهل "فتحًا" (تطلبت أقل قدر من الطاقة).
- المقايضة: كانت الخلطة المكونة من 75% قهوة / 25% تمر هي الأصعب "فتحًا" (تطلبت أكبر قدر من الطاقة)، لكنها أنتجت أكبر كمية من غاز الهيدروجين. إنه يشبه تمرينًا رياضيًا شاقًا يمنحك أكبر مكافأة.

4. العقل الحاسوبي: الذكاء الاصطناعي و LSTM

هنا يصبح البحث مستقبليًا. بدلًا من مجرد تشغيل تجربة الفرن مرارًا وتكرارًا (وهو أمر يستغرق وقتًا طويلًا ويكلف مالًا)، قاموا ببناء نموذج ذكاء اصطناعي (يُسمى تحديدًا LSTM، وهو يشبه روبوتًا يتذكر الأنماط بمرور الوقت).

التدريب: قاموا بتغذية الذكاء الاصطناعي ببيانات من تجارب الفرن الخاصة بهم.
الخدعة السحرية: أعطوا الذكاء الاصطناعي نسختين من "كتاب الوصفات":
1. الوصفة الأساسية: درجة الحرارة ونسب الخلط فقط.
2. الوصفة المتقدمة: درجة الحرارة، النسب، بالإضافة إلى التركيب الكيميائي المحدد للألياف النباتية (كمية السليلوز، والهيميسليلوز، واللجنين الموجودة بداخلها).
النتيجة: أصبح الذكاء الاصطناعي بمثابة كرة بلورية. استطاع التنبؤ بدقة بكيفية سلوك النفايات داخل الفرن بدقة تصل إلى 99.9%.
- كانت نسخة "الوصفة المتقدمة" أفضل؛ فقد كانت بارعة جدًا في التخمين لدرجة أنها استطاعت التنبؤ بما سيحدث عند درجات حرارة وسرعات لم يسبق لها رؤيتها من قبل. إنه يشبه طاهيًا، بعد تذوق بعض أنواع الحساء، يمكنه تخمين طعم حساء جديد لم يصنعه قط، بمجرد معرفة مكوناته.

5. الحكم النهائي

يخلص البحث إلى نتيجتين رئيسيتين:

للحصول على أكبر قدر من الهيدروجين: استخدم الخليط الذي يحتوي على مزيد من بقايا القهوة (الخليط 3). فهو يعطي أكبر كمية من الغاز، رغم أنه يتطلب طاقة أكبر للوصول إلى ذلك.
للحصول على عملية أسهل: استخدم الخليط الذي يحتوي على مزيد من نوى التمر (الخليط 1). فهو يتطلب أقل قدر من الطاقة لبدء التفاعل.
من أجل المستقبل: استخدام الذكاء الاصطناعي هو تغيير لقواعد اللعبة. فهو يسمح للعلماء بتخطي مرحلة التجربة والخطأ المرهقة والمستهلكة للوقت، والانتقال مباشرة إلى أفضل الإعدادات لإنتاج الوقود النظيف.

باختًا: تثبت هذه الدراسة أن بقايا قهوتك الصباحية ونوى التمر يمكن تحويلهما إلى وقود هيدروجين نظيف. ومن خلال خلطهما بشكل صحيح واستخدام كمبيوتر ذكي للتنبؤ بالنتائج، يمكننا تحويل النفايات إلى طاقة بكفاءة أكبر من أي وقت مضى.

ملخص تقني: إنتاج الهيدروجين من الكتلة الحيوية المخلوطة من النفايات

بيان المشكلة
تتطلب عملية الانتقال العالمي بعيداً عن الوقود الأحفوري تطوير طرق مستدامة لإنتاج "الهيدروجين الأخضر" للتخفيف من آثار تغير المناخ وتقليل انبعاثات الكربون. وبينما توفر الكتلة الحيوية مادة خام متجددة واعدة، فإن التعقيد المتأصل في تكوين الكتلة الحيوية والتباين في عمليات التحلل الحراري يفرضان تحديات كبيرة أمام التحسين. وتحديداً، تظل بقايا الزراعة غير المستغلة مثل تفل القهوة (SCG) ونوى التمر (DS) غير مستكشفة إلى حد كبير لإنتاج الهيدروجين. علاوة على ذلك، غالباً ما تكون الطرق التجريبية التقليدية لتوصيف حركية الانحلال الحراري والتنبؤ بالسلوك الحراري مجهدة للعمل ومستهلكة للوقت. وهناك حاجة ماسة لتحسين عملية الانحلال الحراري لهذه المواد الخام المحددة والاستفيد من الأدوات الحسابية المتقدمة، مثل الذكاء الاصطناعي (AI)، لتعزيز دقة النمذجة وكفاءة العمليات.

المنهجية
استخدمت هذه الدراسة نهجاً شاملاً يجمع بين التوصيف التجريبي، والتحليل الحركي والديناميكي الحراري، والنمذجة التنبؤية القائمة على الذكاء الاصطناعي:

تحضير العينات وتوصيفها: تم تجفيف تفل القهوة (SCG) ونوى التمر (DS) وطحنهما وتحليلهما بشكل فردي وكثلاث خلطات متميزة (75% DS–25% SCG، و50% DS–50% SCG، و25% DS–75% SCG). شملت التحليلات التركيب التقريبي والنهائي، ومحتوى الألياف (السليلوز، الهيميسليلوز، اللجنين)، والتحليل الحراري الوزني (TGA) تحت جو خامل من النيتروجين.
تجارب الانحلال الحراري: أُجريت التجارب في مفاعل ذو سرير ثابت عند درجة حرارة 650 مئوية وبمعدل تسخين قدره 10 درجات مئوية/دقيقة. جُمعت نواتج الغاز وحُللت باستخدام الكروماتوغرافيا الغازية الدقيقة (Micro-GC) لتحديد كمية الهيدروجين والمكونات المتطايرة الأخرى.
التحليل الحركي والديناميكي الحراري: طُبقت الطرق متساوية التحول (KAS، وFWO، وFriedman) على بيانات TGA لتحديد طاقات التنشيط ( $E_a$ ) ومعاملات ما قبل الأس. كما حُسبت المعلمات الديناميكية الحرارية (المحتوى الحراري $\Delta H$ ، وطاقة غيبس الحرة $\Delta G$ ، والاعتلاج $\Delta S$ ) لتقييم متطلبات الطاقة.
النمذجة القائمة على الذكاء الاصطناعي: تم تطوير شبكات الذاكرة الطويلة قصيرة المدى (LSTM) العصبية باستخدام لغة بايثون (TensorFlow/Keras) للتنبؤ بمنحنيات فقدان الكتلة في TGA. تم تدريب نموذجين:
- النموذج 1: استخدم ميزات أساسية (درجة الحرارة، معدل التسخين، نسب الخلط).
- النموذج 2: وسّع النموذج 1 من خلال دمج بيانات التركيب اللجنوسليلوزي (نسب السليلوز، الهيميسليلوز، اللجنين) التي يتم تعديلها ديناميكياً بناءً على نطاقات درجات الحرارة. تم إجراء ضبط المعلمات الفائقة باستخدام Keras Tuner وRandomSearch. تم التحقق من صحة النماذج مقابل بيانات غير مرئية، بما في ذلك معدل تسخين جديد قدره 25 درجة مئوية/دقيقة.

النتائج الرئيسية

الخصائص الفيزيائية والكيميائية: أظهر كل من تفل القهوة ونوى التمر محتوى عالٍ من المواد المتطايرة وقيم حرارية مناسبة للطاقة الحيوية. أظهر نوى التمر محتوى أعلى من الهيميسليلوز (48.2%)، بينما كان لتفل القهوة محتوى أعلى من السليلوز (32%).
التحليل الحركي: تم تحديد نموذج KAS كأكثر النماذج دقة للعينات النقية.
- الخليط 1 (75% DS–25% SCG): أظهر أدنى متوسط لطاقة التنشيط ( $E_a \approx 161.75$ كيلوجول/مول)، مما يشير إلى أعلى كفاءة في الطاقة وأسهل عملية تحلل.
- الخليط 3 (25% DS–75% SCG): أظهر أعلى طاقة تنشيط ( $E_a \approx 313.24$ كيلوجول/مول)، مما يشير إلى عملية تحلل أكثر تعقيداً واستهلاكاً للطاقة.
الديناميكا الحرارية: أكدت المعلمات الديناميكية الحرارية أن الخليط 1 يتطلب أقل مدخلات طاقة خارجية، بينما يتطلب الخليط 3 الأعلى، وهو ما يتوافق مع النتائج الحركية.
إنتاج الهيدروجين: كشف تحليل Micro-GC أن زيادة نسبة تفل القهوة في الخلطات تزيد من تركيز الهيدروجين. أنتج الخليط 3 (75% SCG) أعلى عائد للهيدروجين (3.4378 مول %)، يليه الخليط 2 ثم الخليط 1. أنتج تفل القهوة النقي 4.6259 مول % من $H_2$ ، وهي نسبة أعلى بكثير من نوى التمر النقي (0.9024 مول %).
أداء نماذج الذكاء الاصطناعي:
- حقق النموذج 1 قيم $R^2$ تتراوح بين 0.9658 و0.9958.
- أظهر النموذج 2، الذي تضمن التركيب اللجنوسليلوزي، دقة استثنائية مع قيم $R^2$ تتراوح بين 0.9996 و0.9998 عبر مختلف معدلات التسخين، بما في ذلك معدل التسخين غير المرئي 25 درجة مئوية/دقيقة. قلل النموذج 2 بشكل كبير من متوسط مربع الخطأ (MSE) ومتوسط الخطأ المطلق (MAE) مقارنة بالنموذج 1.

الأهمية والمساهمات
تدعي الورقة أنها تسد فجوة ملحوية في الأدبيات من خلال تطبيق تقنيات الذكاء الاصطناعي/تعلم الآلة المتقدمة خصيصاً لانحلال تفل القهوة ونوى التمر وخلطاتهما. وتتمثل المساهمات الرئيسية في:

تحسين الخلطات: تحدد الدراسة وجود مقايضة بين كفاءة الطاقة وإنتاج الهيدروجين. الخليط 1 هو الأمثل للانحلال الحراري الموفر للطاقة، بينما يعد الخليط 3 متفوقاً في تعظيم إنتاج الهيدروجين، رغم متطلبات الطاقة الأعلى.
تكامل الذكاء الاصطناعي: يوضح البحث أن دمج بيانات التركيب اللجنوسليلوزي في نماذج LSTM يعزز بشكل كبير التنبؤ بسلوك التحلل الحراري، محققاً دقة شبه مثالية ( $R^2 > 0.999$ ). وهذا يوفر بديلاً فعالاً من حيث التكلفة والوقت للاختبارات التجريبية المكثفة.
تثمين النفايات: تؤكد الدراسة إمكانية تحويل نفايات الطعام غير المستغلة إلى حاملات طاقة مستدامة، مما يدعم الانتقال نحو اقتصاد هيدروجيني دائري.

خلص المؤلفون إلى أنه بينما تظهر نماذج LSTM قدرة تنبؤية عالية، يجب أن يركز العمل المستقبلي على توسيع تنوع مجموعات البيانات لتحسين تعميم النموذج عبر أنواع مختلفة من الكتلة الحيوية ونسب الخلط المختلفة.

1. المكونات: القهوة والتمور

2. عملية الطهي: فرن "التحلل الحراري" (Pyrolysis)

3. العمل الاستقصائي: الحركية والديناميكا الحرارية

4. العقل الحاسوبي: الذكاء الاصطناعي و LSTM

5. الحكم النهائي

أبحاث مشابهة