Machine Learning-Based Prediction and Optimization of Ship Design Particulars for CO₂ Emission Reduction

تخيل المحيط كأنه طريق سريع عملاق ومضطرب، حيث السفن الضخمة هي الشاحنات والحافلات التي تنقل كل شيء، من أحذيتك الرياضية إلى وجبة عشاءك. لعقود من الزمن، كان الأشخاص الذين يصممون هذه السفن — المهندسون البحريون — مثل الطهاة المهرة الذين يحاولون إتقان وصفة ما. إنهم يستخدمون كتب طهي قديمة (معادلات الفيزياء) واختبارات التذوق (التجربة والخطأ) لمعرفة الحجم الذي يجب أن تكون عليه السفينة، ومدى عمق غوصها في الماء، وكمية الوقود التي يحتاج محركها لحرقها. لكن العالم يتغير. "شرطة المناخ" (الجهات التنظيمية الدولية) تطلب الآن من هذه السفن أن تلوث أقل، وكتب الطهي القديمة أحياناً تكون بطيئة جداً أو بسيطة للغاية للتعامل مع الواقع المعقد والمضطرب لأنواع السفن المختلفة، خاصة تلك الصغيرة التي تندفع حول الأنهار والسواحل.

هنا يأتي دور تعلم الآلة (Machine Learning)، المتدرب الرقمي الذي يمكنه تذوق ألف وصفة في ثانية واحدة ورصد الأنماط التي قد يغفل عنها البشر. فكر فيه كأنه محقق فائق الذكاء ينظر إلى كومة من البيانات حول كيفية سلوك السفن فعلياً، ويحاول تخمين التصميم المثالي قبل قطع قطعة معدن واحدة. السؤال الكبير ليس فقط "هل يمكننا بناء سفينة؟" بل "هل يمكننا بناء سفينة توصلنا إلى حيث نحتاج دون حرق الكوكب؟" وهنا تصبح القصة مثيرة: استخدام الحواسيب للتعلم من الماضي لتصميم مستقبل أنظف.

البلورة السحرية الجديدة لمصمم السفن

في هذه الدراسة، قرر فريق من الباحثين من بنغلاديش منح مصممي السفن ترقية حقيقية. فبدلاً من الاعتماد فقط على الرياضيات التقليدية، قاموا ببناء "بلورة سحرية" رقمية باستخدام تعلم الآلة. لقد غذوا حاسوبهم بمكتبة ضخمة من البيانات من ثلاثة أنواع مختلفة تماماً من السفن: سفن الشحن (الناقلات الثقيلة)، ناقلات النفط (ناقلات السوائل)، والسفن السياحية (حافلات النهر). أرادوا معرفة ما إذا كان بإمكان الكمبيوتر النظر إلى بعض الحقائق الأساسية — مثل حجم السفينة، وسرعتها، وكمية الوزن الذي تحمله — ثم التنبؤ بتفاصيل التصميم المثالية، وتحديداً مقدار طاقة المحرك المطلوبة.

لم يكتفِ الباحثون باختيار لعبة تخمين واحدة؛ بل أقاموا سباقاً رباعياً بين أربعة أنواع من المحققين الاصطناعيين:

1. الشبكات العصبية الاصطناعية (ANN): فكر فيها كدماغ ذي طبقات متعددة، بارع في رصد الأنماط المعقدة والمتعرجة.
2. الغابات العشوائية (RF): تخيل حشداً من الخبراء يصوتون على الإجابة؛ إنها مستقرة جداً ويصعب خداعها.
3. الانحدار باستخدام ناقلات الدعم (SVR): أداة حادة ودقيقة ترسم خطاً للفصل بين أفضل الإجابات والبقية.
4. انحدار العملية الغاوسية (GPR): الرياضي الحذر الذي لا يعطيك إجابة فحسب، بل يقول أيضاً: "أنا متأكد من هذا، ولكن إليك نطاق الاحتمالات".

الاكتشاف الكبير: السهل والصعب
عندما بدأ السباق، كانت النتائج واضحة بشكل مدهش. كان المحققون من الذكاء الاصطناعي بارعين في التنبؤ بـ طاقة المحرك. إذا أخبرتهم بحجم السفلة وسرعتها، يمكنهم تخمين حجم المحرك بدقة مذهلة. الأمر يشبه لو كان بإمكانك النظر إلى وزن سيارة وسرعتها ومعرفة حجم المحرك الذي تحتاجه بالضبط في لحظة.

ومع ذلك، اصطدموا بحائط مع تفصيل واحد محدد: المعامل الكتلي (block coefficient). وباللغة البسيطة، هذا رقم يصف مدى "صندوقية" أو "انسيابية" شكل السفينة تحت الماء. عانى الذكاء الاصطناعي في تخمين هذا الرقم مباشرة. الأمر يشبه محاولة تخمين الشكل الدقيق لجسم سري بمجرد لمس وزنه؛ فهناك الكثير من المتغيرات التي تتفاعل معاً في آن واحد.

الحل الذكي
هنا أصبح الباحثون مبدعين. بما أن الذكاء الاصطناعي كان سيئاً في تخمين "الصندوقية" مباشرة، فقد غيروا اللعبة. بدلاً من طلب تخمين شكل السفينة، طلبوا منه تخمين الإزاحة (displacement) (مقدار الماء الذي تزيحه السفينة، وهو ما يعادل وزنها في الماء). كان الذكاء الاصطناعي رائعاً في هذا! وبمجرد أن عرف الكمبيوتر الوزن، استخدم الباحثون قاعدة فيزيائية بسيطة لحساب "الصندوقية" من هناك. كان الأمر يشبهاً بإدراك أنه لا يمكنك تخمين شكل الكعكة مباشرة، ولكن إذا خمنت وزن المكونات، يمكنك معرفة الشكل بسهولة. هذه الحيلة ذات الخطوتين جعلت عملية التصميم بأكملها أكثر موثوقية ومنطقية من الناحية الفيزيائية.

الفائز في السباق
إذاً، أي محقق ذكاء اصطناعي فاز؟ الأمر يعتمد على نوع السفينة.

• انحدار العملية الغاوسية (GPR) كان الأكثر اتساقاً كلاعب شامل، حيث قدم أداءً جيداً عبر جميع أنواع السفن.
• الانحدار باستخدام ناقلات الدعم (SVR) كان النجم بالنسبة لناقلات النفط.
• الغابات العشوائية (Random Forests) كانت الأكثر استقراراً للسفن السياحية.
• الشبكات العصبية (Neural Networks) كانت جيدة في تعلم المنحنيات المعقدة لكنها لم تكن الأكثر اتساقاً.

تشير الورقة البحثية إلى أنه لا يوجد "رصاصة سحرية" واحدة من الذكاء الاصطناعي تعمل لكل سفينة. بدلاً من ذلك، فإن أفضل نهج هو اختيار المحقق المناسب للمهمة المحددة.

من التنبؤ إلى التحسين
لم تتوقف الدراسة عند مجرد التخمين. فقد أخذ الباحثون أفضل نماذجهم أداءً ودمجوها في "محسن تصميم" (design optimizer). تخيل لعبة فيديو حيث يتعين عليك بناء سفينة، ولكن لديك ميزانية صارمة للوقود. استخدم الكمبيوتر تنبؤات الذكاء الاصطناعي لتعديل تصميم السفينة — تغيير طولها، عرضها، أو غاطسها — حتى يجد النسخة التي تستخدم أقل قدر من طاقة المحرك مع الالتزام بجميع قواعد السلامة.

أظهرت النتائج أنه بالنسبة لسفن الشحن، كان النموذج دقيقاً للغاية (مطابقة بنسبة 98.9%)، وبالنسبة لناقلات النفط والسفن السياحية، كان لا يزال قوياً جداً (حوالي 90% مطابقة). وهذا يعني أن هذه الأداة ليست مجرد لعبة نظرية؛ بل يمكنها فعلياً مساعدة المهندسين في تصميم سفن تستهلك وقوداً أقل وتنتج ثاني أكسيد كربون أقل منذ الرسمة الأولى.

العقبة
الباحثون صريحون بشأن حدود عملهم. فقد اعترفوا بأن "بلورتهم السحرية" قد تم تدريبها على مجموعة محددة من السفن من منطقتهم. وبينما تعمل بشكل رائع لتلك السفن، لا يمكنهم التأكد بنسبة 100% من أنها ستعمل بشكل مثالي لنوع مختلف تماماً من السفن لم يروه من قبل. الأمر يشبه طباخاً بارعاً في طهي المأكولات البنغلاديشية؛ قد يواجه صعوبة إذا طُلب منه طهي طبق فرنسي معين لم يجربه من قبل. تشير الورقة إلى أنه بينما تعد هذه خطوة كبيرة للأمام في التصميم الأولي، فإن النماذج تحتاج إلى اختبار على بيانات أكثر تنوعاً قبل أن يمكن الوثوق بها لكل سفينة في العالم.

باختصار، تظهر هذه الورقة أنه من خلال الجمع بين الذكاء الاصطناعي الذكي وبعض الحيل الفيزيائية الذكية، يمكننا تصميم سفن ليست فقط تُبنى بشكل أسرع، بل هي أيضاً أكثر لطفاً بالكوكب. إنها بداية واعدة لمستقبل تكون فيه سفن الغد بكفاءة قوتها.