A New Multi-Objective Optimization of Regenerative Clausius Rankine Cycle with Two Feedwater Heaters
تقترح هذه الورقة إطار عمل جديداً للتعلم التعزيزي العميق باستخدام خوارزمية "الممثل-الناقد الناعم" (soft actor-critic) لتحسين دورة رانكن التجديدية ذات سخني تغذية ذاتياً وبشكل مستقل، مما يحقق كفاءات حرارية وإكسيرجية عالية مع الحفاظ على أداء قوي عبر مختلف الظروف البيئية والتشغيلية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
تواجه محطات الطاقة التي تحرق الوقود لتوليد الكهرباء صراعاً مستمراً وهادئاً: كيف يمكن استخلاص أقصى قدر من الطاقة من كل قطرة حرارة مع تقليل الهدر قدر الإمكان. وفي قلب هذا الصراع تكم-ن دورة "رانكن" (Rankine cycle)، وهي نظام يحول الماء الساخن إلى بخار، ويدير توربيناً لإنتاج الكهرباء، ثم يبرد البخار ليعود إلى ماء مرة أخرى ليبدأ الدورة من جديد. لقد حاول المهندسون لفترة طويلة تحسين هذه العملية عبر إضافة "سخانات مياه التغذية"، والتي تعمل مثل أجهزة التسخين المسبق؛ فبدلاً من إرسال الماء البارد مباشرة إلى الغلاية، تستخدم هذه السخانات بخاراً يتم سحبه من التوربين لتدفئة الماء أولاً. هذه الحيلة البسيطة تقلل من الصدمة التي يتعرض لها النظام وتوفر الوقود. ومع ذلك، فإن العثور على الإعدادات المثالية لهذه السخانات أمر صعب للغاية؛ إذ يتضمن النظام العديد من الأجزاء المتحركة والظروف المتغيرة، مثل درجة الحرارة الخارجية أو جودة الوقود، مما يجعل من الصعب معرفة كيفية ضبط الضغط في المضخات بدقة للحصول على أفضل النتائج.
لقد تصدى فريق من الباحثين في جامعة همدان للتكنولوجيا لهذه المشكلة عبر تعليم حاسوب كيفية تعلم أفضل الإعدادات بنفسه، بدلاً من الاعتماد على الحسابات التقليدية البطيئة. وقد ركزوا على نسخة محددة من دورة محطة الطاقة التي تستخدم سخاني تسخين مسبق. ولحل هذا اللغز المعقد حول كيفية تشغيل هذا النظام، استخدموا نوعاً من الذكاء الاصطناعي يسمى "التعلم التعزيزي العميق". تخيل طالباً يتعلم ركوب الدراجة؛ فهو يحاول التوازن، فيسقط، ثم يعدل وضعيته، ويحاول مجدداً حتى يجد الإيقاع المثالي. يعمل هذا البرنامج الحاسوبي بطريقة مماثلة؛ حيث يعمل كـ "وكيل" (agent) يختبر باستمرار إعدادات الضغط المختلفة للمضخات، ويراقب النتائج، ويتلقى درجة بناءً على مدى جودة أداء المحطة. ومع مرور الوقت، يتعلم الحاسوب اتخاذ القرارات التي تزيد من كمية الكهرباء المنتجة وكفاءة استخدام الحرارة، وكل ذلك دون الحاجة إلى إنسان يخبره بما يجب فعله في كل خطوة.
قام الباحثون ببناء نموذج رقمي مفصل لمحطة الطاقة وربطوه بخوارزمية التعلم الخاصة بهم. وحددوا هدف الحاسوب لتحسين ثلاثة أشياء في آن واحد: إجمالي العمل الذي يمكن أن تقوم به المحطة، والكفاءة الحرارية (مدى جودة تحويل الحرارة إلى كهرباء)، وكفاءة الإكسيرجي (مدى جودة استخدام الطاقة المتاحة دون هدرها). سُمح للحاسوب بتشغيل آلاف عمليات المحاكاة، مختبراً تركيبات مختلفة من ضغوط المضخات بينما تتغير درجات الحرارة الخارجية وظروف الوقود بشكل عشوائي. استخدمت الخوارزمية طريقة تُعرف باسم "الناقد الناعم" (soft actor-critic)، وهي طريقة جيدة جداً في التعامل مع التغييرات المستمرة وإيجاد المسار الأفضل عبر مشهد معقد من الاحتمالات. لقد تعلم الحاسوب التكيف بسرعة، مما يضمن أنه حتى لو تغيرت البيئة، ستظل المحطة تعمل بالقرب من ذروة أدائها.
بعد اكتمال التدريب، أظهرت النتائج أن الحاسوب قد وجد طريقة فعالة للغاية لتشغيل النظام. ففي أفضل السيناريوهات، حققت المحطة المُحسّنة كفاءة حرارية بلغت 38.99 بالمائة، وكفاءة إكسيرجي بلغت 82.35 بالمائة. كما أنتجت عملاً نوعياً قدره 888.2 كيلوجول لكل كيلوجرام من الماء المتدفق عبر النظام. تمثل هذه الأرقام تحسناً كبيراً مقارنة بالعمليات القياسية، مما يثبت أن النظام الذكي يمكنه إيجاد "النقطة المثالية" لضغوط المضخات التي قد يغفل عنها المهندسون البشر. كما أثبت النظام استقراراً ملحوظاً؛ فحتى عندما قام الباحثون بتغيير الظروف، لم يتذبذب الأداء بأكثر من 0.58 بالمائة. يشير هذا الاتساق إلى أن الطريقة يمكن أن تعمل بموثوقية في محطات الطاقة الحقيقية عبر مختلف الفصول والمواقع، وليس فقط في محاكاة حاسوبية.
كشفت الدراسة أيضاً كيف تؤثر العوامل المختلفة على أداء المحطة. فعلى سبيل المثال، وجد الباحثون أنه مع ارتفاع درجة حرارة الهواء في الخارج، يجب تعديل إعدادات الضغط المثالية للمضخات قليلاً للحفاظ على الكفاءة. وبالمثل، لعبت كفاءة التوربينات والمضخات نفسها دوراً رئيسياً؛ فعندما تكون التوربينات أكثر كفاءة، يمكن للنظام إنتاج طاقة أكبر بكثير. تعلم الحاسوب التنقل بين هذه العلاقات تلقائياً، حيث يقوم بتعديل الضغط في المضخات الأولى والثانية والثالثة لتتناسب مع الظروف الراهنة. ومن خلال استخدام هذا النهج الذكي، أظهر الباحثون أن محطات الطاقة يمكن أن تعمل بمستوى من الدقة والقدرة على التكيف كان من الصعب تحقيقه سابقاً، مما يقدم مساراً واعداً نحو إنتاج طاقة أكثر كفاءة واستدامة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.