Surrogate-Assisted Multi-Objective Optimization of Stilling Basin Design: Integrating ANN Metamodeling with NSGA-II Using Real Experimental Data

تحمل المياه المتدفقة فوق السدود أو من خلال المفيض قوة هائلة. فإذا اصطدم هذا التدفق عالي السرعة بقاع النهر دون سابق إنذار، فإنه يعمل مثل عملية صنفرة رملية لا تهدأ، حيث ينحت حفرًا عميقة ويهدد بتقويض البنية الأساسية التي تحجز الماء. ولمنع هذا الدمار، يبني المهندسون حوضًا محددًا في أسفل هذه المنشآت، يُعرف باسم حوض التهدئة. وتتمثل مهمته في إجبار الماء على التباطؤ وفقدان طاقته بأمان قبل أن يواصل مسيره إلى أسفل المجرى. يحدث هذا من خلال حدث فوضوي ومضطرب يسمى "القفزة الهيدروليكية"، حيث يصطدم غشاء الماء الرقيق والسريع فجأة بحوض أعمق وأبطأ. والهدف هو تبديد أكبر قدر ممكن من تلك الطاقة المدمرة. ومع ذلك، هناك عقبة: فالاضطراب نفسه الذي يكسر الطاقة يميل أيضًا إلى نحت، أو حفر، قاع النهر. لطالما واجه المهندسون توازنًا صعبًا: تصميم حوض يوقف قوة الماء دون أن يحفر حفرة عميقة لدرجة تؤدي إلى انهيار الأساس.

لعقود من الزمن، كان العثور على الشكل المثالي لهذه الأحواض يعني الاعتماد على التجربة والخطأ، أو النماذج الفيزيائية في المختبرات، أو عمليات المحاكاة الحاسوبية المعقدة التي قد تستغرق أيامًا لتشغيل تصميم واحد. ومع ذلك، تقدم دراسة جديدة طريقة أسرع وأكثر ذكاءً لحل هذا اللغز. فقد طور باحثون من الجامعة التقنية الشمالية وجامعة كارلستاد طريقة تجمع بين البيانات التجريبية الواقعية والذكاء الاصطناعي لإيجاد أفضل التصاميم الممكنة في غضون دقائق. وبدلاً من التخمين أو تشغيل آلاف عمليات المحاكاة الحاسوبية البطيئة، قاموا بتدريب "عقل رقمي" للتعلم من القياسات الفعلية المأخوذة من تجارب سابقة. ثم استخدم هذا النظام خوارزمية بحث قوية لاستكشاف آلاف التصاميم المحتملة، وتحديد المقايضات المثالية بسرعة بين إيقاف طاقة الماء وحماية قاع النهر.

بدأ الفريق بجمع بيانات عالية الجودة من دراستين منفصلتين مراجعتين علميًا، حيث اختبر العلماء بالفعل كيفية سلوك الماء في تجهيزات مختلفة للأحواض. وجمعوا ثمانين نقطة بيانات متميزة، تمثل كل منها مزيجًا محددًا من عمق الماء، والسرعة، وطول الحوض، وارتفاع كتل صغيرة موضوعة داخل الحوض لتعطيل التدفق. هذه الكتل، التي تسمى "المصدات" (baffles)، تعد بالغة الأهمية لأنها تساعد في تكسير الماء وخلق الاضطراب اللازم لإبطاء سرعته. قام الباحثون بتغذية هذه البيانات الحقيقية في شبكة عصبية اصطناعية، وهي نوع من البرامج الحاسوبية المستوحاة من الدماغ البشري والتي تتميز بقدرة فائقة على رصد الأنماط في المعلومات المعقدة. وعلموا هذا النموذج الرقمي التنبؤ بشيئين: مقدار الطاقة التي سيفقدها الماء (الكفاءة) وعمق الحفرة التي سيحدثها في قاع النهر (عمق النحت). وقد تعلم النموذج بشكل جيد لدرجة أنه استطاع التنبؤ بنتيجة تصميم جديد بدقة تتجاوز 95 بالمائة، وهو مستوى من الدقة جعل منه بديلاً موثوقًا لإجراء الاختبارات الفيزيائية المكلفة أو عمليات المحاكاة الحاسوبية البطيئة.

بمجرد تدريب النموذج الرقمي، أطلق الباحثون العنان له لحل مشكلة إيجاد التصميم الأفضل. فقد طلبوا من الكمبيوتر حل صراع كلاسيكي: تعظيم فقدان الطاقة مع تقليل حفر الحفرة في الوقت نفسه. في العالم الحقيقي، لا يمكنك الحصول على كليهما في آن واحد؛ فعادة ما يعني جعل الماء يفقد المزيد من الطاقة أنه سيحفر حفرة أعمق. وللتنقل عبر هذا التحدي، استخدموا خوارزمية تسمى NSGA-II، وهي مصممة خصيصًا للتعامل مع مثل هذه الأهداف المتعارضة. وبدلاً من تقديم إجابة واحدة، أنتجت الخوارزمية قائمة تضم 123 تصميمًا مختلفًا، يمثل كل منها مقايضة فريدة. كانت بعض التصاميم جيدة جدًا في إيقاف الطاقة ولكنها تترك حفرة أعمق قليلاً، بينما كانت تصاميم أخرى لطيفة على قاع النهر ولكنها لم توقف قوة الماء بنفس الفعالية. وتوفر هذه المجموعة من الخيارات، المعروفة باسم "جبهة باريتو" (Pareto front)، للمهندسين قائمة من الاختيارات بدلاً من حل واحد مفروض، مما يسمح لهم باختيار التصميم الذي يناسب احتياجاتهم المحددة بشكل أفضل.

حددت الدراسة تصميمًا واحدًا بعينه باعتباره "أفضل مقايضة"، وهو الحل الذي يقع في منتصف منحنى المقايضة تمامًا. بالنسبة لهذا الإعداد المثالي، يدخل الماء الحوض بعمق 0.064 متر وسرعة 0.812 متر في الثانية. ويبلغ طول الحوض نفسه حوالي 1.004 متر، ويبلغ ارتفاع المصدات بداخله 0.036 متر. ينجح هذا التكوين المحدد في تبديد 51.10 بالمائة من طاقة الماء مع إبقاء عمق النحت عند 0.005 متر فقط. كما اكتشف الباحثون العوامل الأكثر تأثيرًا؛ حيث وجدوا أن سرعة الماء الداخل هي المحرك الأكبر لفقدان الطاقة؛ إذ إن تغيير السرعة له تأثير هائل على مقدار الطاقة المبددة. وعلى العكس من ذلك، كان ارتفاع المصدات هو العامل الأكثر حسمًا في التحكم في مدى عمق حفر قاع النهر. ومن خلال ضبط هذين المتغيرين، يمكن للمهندسين ضبط الحوض بدقة لإعطاء الأولوية إما للسلامة من التآكل أو للحد الأقصى من تقليل الطاقة.

ولعل الاكتشاف الأكثر أهمية لهذا العمل هو السرعة الهائلة التي تحققت بها هذه النتائج. في الماضي، كان تحسين تصميم كهذا باستخدام محاكاة ديناميكا السوائل الحاسوبية التفصيلية قد يستغرق أيامًا أو حتى أساباء من وقت الحوسبة. ولكن باستخدام نموذج الذكاء الاصطناعي المدرب على بيانات واقعية، أتم الباحثون عملية التحسين بأكملها، بما في ذلك عشر جولات منفصلة لضمان الموثوقية، في حوالي 25 دقيقة فقط. وهذا الاختزال الدراماتيكي في الوقت يعني أن المهندسين يمكنهم الآن استكشاف نطاق أوسع بكثير من الاحتمالات وإيجاد حلول أفضل دون أن تعيقهم الحدود الحسابية. وبينما تشير الدراسة إلى أن النتائج المحددة صالحة فقط ضمن نطاق الظروف التي تم اختبارها، فإن الطريقة نفسها تعد أداة قوية جديدة. فهي تثبت أنه من خلال الجمع بين البيانات التجريبية الحقيقية والخوارزميات الذكية، يمكننا حل المشكلات الهيدروليكية المعقدة بكفاءة، مما يضمن تصميم المنشآت التي تحمي أنهارنا ومدننا بدقة وعملية في آن واحد.