Study of Machine Learning Techniques for Performance Prediction in Low-Power Hall Effect Thruster Operating on Monoatomic and Molecular Propellants
تُطوّر هذه الدراسة إطار عمل لتعلم الآلة قوي ومتعدد استخدامات لجميع أنواع الدفع، يجمع بين تعزيز البيانات وحقن الميزات المستندة إلى الفيزياء للتنبؤ بدقة بأداء محركات "هال" ذات القدرة المنخفضة التي تعمل على أنواع متنوعة من الوقود الدافع أحادي الذرة والجزيئي، محققةً دقة تتجاوز 98% في التنبؤ بقوة الدفع باستخدام خوارزمية XGBoost.
المؤلفون الأصليون:Shantanusinh Parmar, Joseph A. Moskovitz, Dan Lev, Mitchell L. R. Walker
تخيل أنك تحاول خبز الكعكة المثالية، ولكن بدلاً من الدقيق والسكر، مكوناتك هي سحب غير مرئية من الغاز المشحون، وفرنك هو محرك صغير فائق الحرارة يطفو في فراغ الفضاء. هذا هو عالم الدفع الكهربائي، وتحديداً جهاز يُسمى "محرك تأثير هول" (Hall Effect Thruster). فكر فيه كمدفع أيوني عالي التقنية يدفع الأقمار الصناعية للأمام. لعقود من الزمن، استخدم المهندسون بشكل أساسي غاز الزينون، وهو غاز نبيل ثقيل، ليكون بمثابة "الدقيق" الخاص بهم. لديهم مجموعة من بطاقات الوصفات القدة والموثوقة (قوانين القياس) التي تخبرهم بالضبط مقدار الطاقة التي يجب استخدامها ومقدار الدفع الذي يمكن توقعه عند الخبز باستخدام الزينون. لكن المشكلة تكمأ أن الزينون أصبح باهظ الثمن ويصعب العثور عليه، مثل توابل نادرة تكلف ثروة. والآن، أصبح العلماء في حالة يأس لخبز الكعك بمكونات أرخص وأكثر شيوعاً مثل ثاني أكسيد الكربون (CO2) أو النيتروجين (N2)—وهي الغازات التي نتنفسها أو التي تشكل جزءاً من غلافنا الجوي. تكمن المشكلة في أن هذه "الدقائق" الجديدة تتصرف بشكل مختلف تماماً في الفرن؛ فهي لا تتبع بطاقات الوصفات القديمة على الإطلاق. إذا حاولت استخدام القواعد القديمة، فقد يتعثر محركك، أو يفشل، أو ببسا simply لا يعمل. نحن بحاجة إلى طريقة جديدة للتنبؤ بكيفية تصرف هذه المحركات مع هذه الغازات الغريبة، لكن اختبارها في الواقع أمر بطيء للغاية، ومكلف، وصعب لأن الآلات دقيقة وحساسة والبيانات شحيحة.
هنا يأب، تدخل فريق من الباحثين من جامعة كورنيل وجامعة جورجيا تيك بحل رقمي. بدلاً من خبز آلاف الكعكات المادية لمعرفة الوصفة، قرروا تعليم الكمبيوتر التخمين للنتيجة باستخدام التعلم الآلي. لقد عاملوا المحرك كأنه لعبة فيديو معقدة حيث تقوم بتعديل الإعدادات (مثل الجهد وتدفق الغاز) ويتعلم الكمبيوتر النمط التالي لما يحدث. ومع ذلك، واجهوا عقبة رئيسية: لم يكن لديهم نقاط بيانات كافية. الأمر يشبه محاولة تعلم كيفية لعب لعبة فيديو جديدة عندما تملك فقط بضع لقطات شاشة بدلاً من دليل كامل للعبة. ولحل هذه المشكلة، بنوا "مصنع بيانات" ذكياً. أولاً، استخدموا حيلة إحصائية تسمى "إعادة أخذ العينات الغاوسية المبتورة" (truncated Gaussian resampling) لملء الفجوات المفقودة في بياناتهم دون اختلاق أرقام وهمية قد تكسر قوانين الفيزياء. ثم استخدموا تقنية "تعزيز مونت كارلو" (Monte Carlo augmentation) لإنشاء آلاف النسخ الاصطناعية من بياناتهم الحقيقية، مما يحاكي عملياً الأخطاء الصغيرة التي تحدث في القياسات الواقعية لجعل مجموعة البيانات أكبر وأكثر قوة.
لكن مجرد صنع المزيد من البيانات لم يكن كافياً. أدرك الباحثون أنه إذا قاموا فقط بتغذية الأرقام الخام في الكمبيوتر، فسيكون الأمر كطلب حل مسألة فيزياء من طالب دون تعليمه المعادلات أبداً. لذا، قاموا بحقن "المعرفة النظرية" مباشرة في دماغ الكمبيوتر. لقد أضافوا ميزات مثل "الدفع النظري" و"وسطاء معامل هول"—وهي باختصار اختصارات رياضية تصف كيف يجب أن يعمل المحرك وفقاً لقوانين الفيزياء. ثم اختبروا عشرة أنواع مختلفة من خوارزميات التعلم الآلي، بدءاً من المعادلات الخطية البسيطة وصولاً إلى أشجار "التعزيز" المعقدة التي تتخذ القرارات خطوة بخطوة.
كانت النتائج مثيرة للإعجاب. وجدت الدراسة أن نماذج الكمبيوتر، وخاصة نموذج يسمى "XGBoost"، أصبحت دقيقة للغاية في التنبؤ بكيفية أداء المحرك. عندما تم تزويد النماذج بكل من البيانات الحقيقية والمعرفة الفيزيائية المحقونة، استطاعت التنبؤ بدفع المحرك بدقة (R²) تتجاوز 98%. وهذا يعني أن تخمينات الكمبيوتر كانت تكاد لا تختلف عن الواقع. أظهرت الدراسة صراحة أنه بدون هذه "التلميحات" القائمة على الفيزياء، عانت النماذج، خاصة مع الغازات الجزيئية المعقدة مثل ثاني أكسيد الكربون والنيتروجين. تعلم الكمبيوتر أنه بالنسبة لهذه الغازات الجديدة، يحتاج المحرك إلى مجالات مغناطيسية أقوى ومعدلات تدفق مختلفة ليبقى مستقراً، وهو تفصيل دقيق فات بطاقات الوصفات القديمة تماماً.
ومع ذلك، فإن المؤلفين حذرون من الادعاء بأن هذا هو حل سحري لكل شيء. فقد أشاروا إلى أنه بينما تعد النماذج رائعة في التنبؤ بالأداء ضمن نطاق البيانات التي رأت منها (الاستكمال الداخلي/interpolation)، إلا أنها لا تزال تعاني قليلاً عندما تُسأل عن توقع ما يحدث في سيناريوهات جديدة تماماً وغير مختبرة (الاستكمال الخارجي/extrapolation)، خاصة بالنسبة للغازات الجزيئية حيث لا تزال البيانات ضئيلة جداً. تشير الدراسة إلى أنه بينما تعد هذه الأدوات قوية لتسريع عملية التصميم وتقليل الحاجة إلى الاختبارات المادية البطيئة والمكلفة، فإنها لا تزال تعتمد على جودة البيانات التي يتم تغذيتها بها. خلص الباحثون إلى أن هذا النهج يوفر أداة قابلة للتكيف للغاية للمستقبل، مما يسمح للمهندسين بمعرفة أفضل الإعدادات لمحركات الدفع من الجيل التالي باستخدام وقود بديل بسرعة، لكنهم حذروا من أن المزيد من البيانات لا يزال مطلوباً لجعل هذه التنبؤات مثالية لكل نوع من الغازات وتكوينات المحركات الممكنة.
ملخص تقني: دراسة تقنيات تعلم الآلة للتنبؤ بالأداء في محركات تأثير هول منخفضة القدرة التي تعمل بوقود أحادي الذرة وجزيئي
بيان المشكلة يمثل الانتقال نحو محركات تأثير هول (HETs) منخفضة القدرة والطلب المتزايد على الوقود الجزيئي البديل (مثل ثاني أكسيد الكربون CO₂، والنيتروجين N₂) تحديات كبيرة لنماذج الأداء التقليدية. تعتمد التصميمات التقليدية على قوانين القياس التجريبية وشبه التجريبية المستمدة أساساً من وقود الزينون لمحركات البلازما ثابتة القدرة وعالية الطاقة. وغالباً ما تفتقر هذه القوانين إلى الدقة المطلوبة للتنبؤ بالأداء في أنظمة القدرة المنخفضة (أقل من 500 واط) أو عند استخدام وقود جزيئي غير تقليدي، والذي يُظهر مسارات تفكك معقدة وتكاليف تأين مختلفة. علاوة على ذلك، فإن ندرة البيانات التجريبية الناتجة عن بطء وتيرة اختبارات مرافق الفراغ والتكلفة العالية لتجديد الألواح الكرِيوجينية للغازات الجزيئية تخلق بيئة "شحيحة البيانات"، مما يعيق عملية التحسين السريع. كما أن نماذج الإغلاق المستندة إلى المبادئ الأولى موجودة، لكنها غالباً ما تكون مكلفة حاسوبياً لعمليات التكرار التصميمي السريع.
المنهجية لمعالجة هذه القيود، طور المؤلفون إطار عمل قوي لتعلم الآلة (ML) غير مرتبط بنوع الوقود، باستخدام بيانات تجريبية من محركات CAMILA وCAM200 منخفضة القدرة. استخدمت الدراسة مسار معالجة بيانات شاملاً يتكون من خمس مراحل:
المعالجة المسبقة للبيانات والتعويض (Imputation): احتوت مجموعة البيانات الخام (682 نقطة فريدة) على فجوات، لا سيما في قياسات تيار الحزمة (Ib). وبدلاً من التخلص من هذه النقاط أو استخدام قص الحدود، استخدم المؤلفون تقنية إعادة أخذ العينات لـ "توزيع غاوس المبتور" لتعويض قيم Ib المفقودة. حافظت هذه الطريقة على التباين الطبيعي وشكل التوزيع للبيانات مع ضمان الواقعية الفيزيائية (عدم وجود تيارات سالبة).
تعزيز البيانات (Data Augmentation): للتخفيف من شح البيانات، تم تطبيق استراتيجية تعزيز "مونت كارلو" حصرياً على مجموعة التدريب. ومن خلال الاستفضاء من عدم اليقين المعروف في الأدوات (المفترض أنه يتبع توزيع غاوس، بمقدار 2σ)، تم إنشاء 50 نسخة اصطناعية لكل نقطة بيانات تجريبية، مما أدى فعلياً إلى توسيع مجموعة بيانات التدريب من حوالي 636 صفاً إلى حوالي 31,800 صف.
حقن المدخلات النظرية: لسد الفجوة بين البيانات التجريبية والقوانين الفيزيائية، قام المؤلفون بحقن 14 ميزة مشتقة في فضاء المدخلات. وشملت هذه الميزات:
ميزات مستندة إلى الفيزياء: تحويلات غير خطية بناءً على العلاقات الكهروستاتيكية والحركية (مثل سرعة العادم النظرية، والدفع النظري، وتيار التفريغ النظري، وقدرة التأين).
النماذج الحسابية التقريبية: نسب تشغيلية تلتقط طوبولوجيا المجال المغناطيسي وحواجز الطاقة (مثل نماذج بارامتر هول، ونماذج انجراف E×B، وإجمالي حواجز الطاقة).
معايرة النماذج (Benchmarking): تم تقييم عشر خوارزميات انحدار متميزة، شملت المربعات الصغرى العادية (OLS)، وطرق النواة (KNN, SVR)، والنماذج القائمة على الأشجار (Decision Tree, Random Forest)، وتقنيات التعزيز (XGBoost, LightGB️, CatBoost).
التدريب والتقييم: تم تدريب النماذج على مجموعة البيانات المعززة باستخدام تقسيم استراتفي حسب نوع الوقود (Xe, Kr, Ar, CO₂, N₂). وتم تقييم الأداء باستخدام R2، ومتوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط النسبة المئوية للخطأ المطلق (MAPE) على مجموعة تحقق محجوزة. كما تم ضبط المعلمات الفائقة باستخدام البحث الشبكي التكيفي (Adaptive GridSearchCV) والبحث العشوائي (RandomizedSearchCV).
المساهمات الرئيسية
إطار عمل غير مرتبط بالوقود: تُظهر الدراسة منهجية قادرة على التنبؤ بالدفع، وتيار الحزمة، وتيار التفريغ عبر كل من الوقود أحادي الذرة (Xe, Kr, Ar) والجزيئي (CO₂, N₂) ضمن بنية نموذج موحدة.
مسار بيانات مبتكر: إن دمج التعويض بـ "توزيع غاوس المبتور" وتعزيز "مونت كارلو" المصمم خصيصاً لبيانات مرافق الفراغ الشحيحة، مقترناً بحقن الميزات المستندة إلى الفيزياء، يضع معياراً جديداً لتدريب نماذج تعلم الآلة في الأنظمة ذات البيانات المحدودة.
دراسات الاستبعاد (Ablation Studies): تقدم الورقة دراسات استبعاد صارمة تقيس تأثير تعزيز البيانات وحقن المدخلات النظرية. وتؤكد النتائج أن حقن معايير التشابه النظرية (مثل نماذج بارامتر هول) يعزز دقة النماذج بشكل منهجي، لا سيما في النماذج القائمة على الأشجار وتقنيات التعزيز.
النتائج
الدقة التنبؤية: أظهرت النماذج القائمة على الأشجار والتعزيز، وتحديداً XGBoost، أداءً فائقاً. حقق XGBoost قيمة R2 بلغت 98.12% للتنبؤ بالدفع، و90.18% لتيار الحزمة، و98.98% لتيار التفريغ على مجموعة البيانات المعززة. كما قدم انحدار متجه الدعم (SVR) أداءً استثنائياً، حيث حقق قيم R2 بنسبة 98.15% (للدفع) و99.24% (لتيار التفريغ).
تأثير التعزيز والحقن: كشفت دراسات الاستبعاد أن تعزيز البيانات حسن دقة R2 في جميع النماذج، حيث أظهرت النماذج الخطية أكبر المكاسب. كما أدت إضافة الميزات النظرية والحسابية إلى تعزيز الأداء بشكل أكبر، مما يؤكد أن ربط نماذج تعلم الآلة بقوانين القياس الفيزيائية يحسن التقارب والدقة.
الأداء الخاص بنوع الوقود: بينما حققت النماذج دقة عالية بالنسبة للزينون (مع معظم التنبؤات بخطأ أقل من 10%)، زاد التباين في الأداء بالنسبة للوقود الجزيئي (CO₂, N₂)، حيث تجاوزت الأخطاء غالباً 20%. ويُعزى هذا التفاوت إلى الندرة الشديدة لنقاط البيانات الجزيئية وتعقيد عمليات التأين الجزئي والتفكك في الغازات الجزيئية، مما يتحدى فرضيات التأين الكامل المثالية للميزات النظرية المشتقة.
أهمية الميزات: أشار تحليل الميزات إلى أن الكتلة الذرية للوقود، والدفع النظري، وقدرة التفريغ النظرية، ومعدل التدفق الحجمي كانت هي المتنبئات المهيمنة. ومع ذلك، تشير الدراسة إلى أن نسب الميزات المحددة يمكن أن تتأثر ببنية الخوارزمية والارتباطات المحلية للبيانات (على سبيل المثال، استخدام XGBoost للكتلة الذرية كنقطة تقسيم أولية للفصل بين أنظمة الوقود).
الأهمية والادعاءات تزعم الورقة أن هذه المنهجية القائمة على البيانات توفر أداة شديدة التكيف للتنبؤ بنقاط التشغيل المستقرة في محركات HET منخفضة القدرة، مما يقلل بشكل كبير من الاعتماد على الحملات التجريبية المكلفة والمستهلكة للوقت. ومن خلال النجاح في دمج المدخلات المستندة إلى الفيزياء مع تعزيز البيانات، يتغلب إطار العمل على قيود قوانين القياس الثابتة عند الانتقال إلى أنواع الوقود البديلة.
يختتم المؤلفون بتواضع بأن إطار العمل الحالي يتفوق في عملية الاستكمال الداخلي (Interpolation) ضمن فضاء الميزات الهندسي، لكنه يواجه تحديات في الاستكمال الخارجي (Extrapolation) خارج النطاق بسبب القيود المتأصلة في النماذج القائمة على الأشجار. ويفترضون أن العمل المستقبلي يجب أن يستكشف الشبكات العصبية العميقة للحصول على استكمال أكثر سلاسة عبر الأنظمة ذات المعلمات الكثيرة، بشرما توفرت مجموعات بيانات أكبر (على نطاق 104 إلى 105 نقطة). وفي نهاية المطاف، تضع هذه الدراسة أساساً لتسريع تحسين تكوينات المحركات من الجيل التالي لأنواع الوقود التقليدية والناشئة على حد سواء.