Predicting Thermodynamic Properties of R1234yf/R152a Mixtures Using Machine Learning and PRSV Equation of state

يشهد عالم التبريد تحولاً هادئاً ولكنه ملحّ. فلعقود من الزمن، اعتمدت أنظمة التبريد في سياراتنا ومنازلنا ومتاجرنا الكبرى على مواد كيميائية تسمى الهيدروفلوروكربونات. وبينما كانت هذه المواد آمنة على طبقة الأوزون، فقد تبين أنها محركات قوية للاحتباس الحراري. واستجابة لذلك، دفعت الاتفاقيات الدولية نحو تقليل استخدام هذه الغازات القديمة، مما خلق سباقاً لإيجاد بدائل لطيفة على المناخ. والمرشحون الجدد هم غالباً مواد كيميائية مفردة أو مخاليط متوازنة بعناقة، صُممت لتبريد بكفاءة دون حبس حرارة زائدة في الغلاف الجوي. ومع ذلك، فإن تصميم نظام يستخدم هذه السوائل الجديدة يتطلب معرفة دقيقة بكيفية سلوكها تحت ظروف مختلفة. إذ يحتاج المهندسون إلى التنبؤ بمدى انضغاط الغاز عند ضغطه، أو مدى ثقل السائل عندما يبرد. وتتغير هذه الخصائص بطرق معقدة اعتماداً على درجة الحرارة والضغط والمزيج الدقيق من المواد الكيميائية، مما يجعل التنبؤ الدقيق مهمة صعبة ولكنها ضرورية لبناء أنظمة تبريد موثوقة وصديقة للبيئة.

وفي دراسة حديثة، سعى الباحثون لحل لغز التنبؤ هذا لمزيج واعد ومحدد: وهو مزيج من مبردين يُعرفان باسم R1234yf وR152a. ويعد هذا المزيج جذاباً لأنه يوازن بين التأثير البيئي المنخفض والأداء الجيد، وفي بعض الحالات، يمكن للمزيج حتى أن يقلل من مخاطر القابلية للاشتعال مقارنة بمكوناته الفردية. ولفهم كيفية سلوك هذا المزيج، جمع الفريق 145 نقطة بيانات محددة من تجارب سابقة. غطت هذه النقاط نطاقاً من درجات الحرارة بدءاً من ما فوق التجمد بقليل وصولاً إلى يوم صيفي حار، وضغوطاً تمتد من المتوسطة إلى العالية جداً. وكان الهدف هو معرفة ما إذا كانت برامج الكمبيوتر الحديثة، المعروفة بالتعلم الآلي، يمكنها التعلم من هذه البيانات للتنبؤ بخاصيتين حاسمتين: معامل الانضغاط، الذي يخبرنا بمدى انحراف الغاز عن السلوك المثالي، والكثافة، وهي ببساطة مدى ثقل السائل بالنسبة لحجم معين.

وضع الباحثون أربعة أنواع مختلفة من خوارزميات التعلم الآلي في مواجهة بعضها البعض، وفي مواجهة الصيغ القائمة على الفيزياء التقليدية. وشملت نماذج التعلم الآلي طرقاً تبني أشجار القرار، وأخرى تجد الأنماط من خلال النظر في أقرب الجيران في البيانات، وتقنيات متطورة ترسم منحنيات معقدة. كما اختبروا صيغة ثيرموديناميكية كلاسيكية تسمى معادلة PRSV، والتي استُخدمت لعقود لوصف سلوك الغازات والسوائل، جنباً إلى جنب مع صيغة تجريبية أبسط تُعرف بمعادلة Tait. قام الفريق بتغذية نماذج الكمبيوتر بدرجة الحرارة، والضغط، والكمية الدقيقة لأحد المواد الكيميائية في المزيج، ثم طلب منهم تخمين الانضغاط والكثافة. بعد ذلك، قارنوا هذه التخمينات بالأرقام التجريبية الفعلية لمعرفة أي طريقة كانت الأكثر دقة.

وكشفت النتائج عن انقسام واضح في مدى نجاح النهج المختلفة، اعتماداً على الخاصية المراد التنبؤ بها. فعندما تعلق الأمر بمعامل الانضغاط، أثبتت نماذج التعلم الآلي أنها الأدوات المتفوقة. وحقق خوارزم واحد محدد، يعمل عن طريق بناء سلسلة من النماذج التي تصحح أخطاء النماذج السابقة، أعلى مستويات الدقة. لقد استطاع هذا النموذج التقاط الالتواءات والمنعطفات غير الخطية الدقيقة في البيانات بشكل أفضل بكثير من الصيغ الفيزيائية التقليدية. وحتى أفضل الصيغ التقليدية، حتى بعد تعديلها لتأخذ في الاعتبار كيف تغير درجة الحرارة التفاعل بين المادتين الكيميائيتين، ظلت قاصرة. تعتمد الطريقة التقليدية على قواعد مبسطة لوصف كيفية تفاعل الجزيئات، وفي هذه الحالة، لم تكن تلك القواعد معقدة بما يكفي لاستيعاب سلوك المزيج بالكامل. وفي المقابل، تعلم نموذج التعلم الآلي الأنماط مباشرة من البيانات دون الحاجة إلى تلك القواعد المبسطة، مما سمح له بالتنقل في المشهد المعقد لسلوك الغاز بدقة أكبر.

كانت القصة مختلفة تماماً عندما نظر الباحثون إلى الكثافة. فبالنسبة لهذه الخاصية، تساوت الكفة بشكل كبير. فبالرغم من أن نماذج التعلم الآلي لا تزال تعمل بشكل جيد، حيث حققت إحدى الطرق دقة تقترب من المثالية، إلا أن الصيغ الفيزيائية التقليدية كانت بنفس المستوى تقريباً. فقد طابقت معادلة PRSV الكلاسيكية، عند تعديلها بعلاقة رياضية محددة لدرجة الحرارة، البيانات بدقة ملحوظة، كما اقتربت معادلة Tait الأبسط أيضاً من النتائج بشكل كبير. ويشير هذا إلى أن الكثافة تسلك سلوكاً أكثر بساطة وقابلية للتنبؤ من معامل الانضغاط؛ فهي تتبع مساراً أكثر سلاسة يمكن لكل من نماذج الكمبيوتر المعقدة والقواني الفيزيائية الراسخة وصفه بثقة عالية. إن حقيقة أن صيغة بسيطة عمرها عقود يمكنها منافسة الذكاء الاصطناعي الحديث في هذه المهمة المحددة، تسلط الض light على أن ليست كل خاصية ثيرموديناميكية تتطلب حلاً حاسوبياً "صندوقاً أسود"؛ فأحياناً تكون القوانين الأساسية للفيزياء كافية.

وخلال الدراسة، فحص الباحثون أيضاً العوامل الأكثر تأثيراً. ووجدوا أن الضغط كان القوة المهيمنة التي تدفع التغييرات في كل من الكثافة والانضغاط. فمع زيادة الضغط، يصبح السائل أكثر كثافة ويتغير انضغاطه بطريقة يمكن التنبؤ بها. ولعبت درجة الحرارة دوراً ثانوياً، وكان للمزيج الدقيق للمادتين الكيميائيتين تأثير مباشر صغير بشكل مفاجئ على الاتجاهات الخطية، رغم أن نماذج التعلم الآلي كانت قادرة على التقاط الطرق غير الخطية الدقيقة التي يؤثر بها التركيب على النتائج. ويتماشى هذا التركيز على الضغط مع الحدس الفيزيائي الأساسي: فضغط السائل يجعله أثقل ويغير سلوكه، بينما يهم المزيج المحدد للمواد الكيميائية أقل من القوة المطبقة عليه.

تخلص الدراسة إلى أنه لتصميم الأنظمة التي تستخدم هذا المزيج المحدد من المبردات، يوفر التعلم الآلي ميزة متميزة عند التنبؤ بالسلوك المعقد للغاز، وخاصة معامل الانضغاط. أما بالنسبة للتنبؤ بالكثافة، فيمكن للمهندسين الاعتماد على كل من النماذج الحاسوبية المتقدمة أو المعادلات الفيزيائية الراسخة بنجاح متساوٍ. ولا يشير العمل إلى أن طريقة واحدة هي الأفضل عالمياً، بل يوضح أن الأداة المثلى تعتمد على الخاصية المحددة التي يتم قياسها. ومن خلال إثبات أن الأساليب القائمة على البيانات يمكن أن تتفوق على الصيغ التقليدية في بعض السلوكيات المعقدة، توفر هذه الأبحاث مساراً جديداً للمهندسين لتصميم أنظمة تبريد أكثر كفاءة وصديقة للبيئة، مما يضمن قدرتهم على تسخير الإمكانات الكاملة لهذه المبردات الجديدة ذات التأثير المنخفض.