Performance Prediction and Optimal Rotational Speed Determination of a Variable-Speed Pump as Turbine Using Surrogate Modeling and SOPNN-DE
تقدم هذه الدراسة إطار عمل كفؤ حاسوبياً ومعتمداً على البيانات يجمع بين الشبكات العصبية متعددة الحدود ذاتية التنظيم والتطور التفاضلي لتحسين التحكم في المضخة كتربينة متغيرة السرعة، مما أظهر زيادة في الكفاءة بنسبة 13.22% وفترة استرداد تبلغ 1.23 سنة من خلال التحقق الواقعي في شبكة توزيع المياه في طهران.
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
في الشرايين الصامتة والواسعة لمدينة حديثة، تتدفق المياه تحت ضغط عالٍ لتصل إلى كل صنبور، وكل دش، وكل صنبور حريق. وللحفاظ على هذا التدفق آمنًا ومستقرًا، يجب على المهندسين إدارة الضغط باستمرار، وغالبًا ما يستخدمون الصمامات لإبطاء سرعة المياه عندما تتحرك بسرعة كبيرة. لعقود من الزمن، كانت عملية الإبطاء هذه مجرد فعل من أفعال الهدر: حيث تتحول الطاقة الزائدة للمياه المتدفقة إلى حرارة وصوت، وتتبدد دون فائدة في الهواء. ومع ذلك، فإن ثورة هادئة في كيفية إدارة شبكات المياه تشير إلى أن هذه الطاقة المهدورة يمكن بدلاً من ذلك التقاطها وتحويلها إلى كهرباء. يكمن المفتاح لهذا التحول في جهاز يسمى "المضخة التي تعمل كتوربين" (pump-as-turbine). إنها مضخة مياه قياسية، من النوع الموجود في الأقبية والمصانع الصناعية، ولكن يتم تشغيلها بشكل عكسي؛ فبدلاً من استخدام الكهرباء لدفع الماء، تستخدم قوة الماء لتدوير توربين وتوليد الطاقة. ورغم أن المفهوم سليم، إلا أن واقع جعل هذه الآلات تعمل بكفاءة أمر معقد؛ فشبكات المياه لا تكون ساكنة أبدًا، إذ يتغير الطلب على المياه من ساعة إلى أخرى، مما يؤدي إلى تقلب التدفق والضغط بشكل كبير. والآلة المصممة للعمل بسرعة واحدة ثابتة غالبًا ما تجد صعوبة في مواكبة هذه التغييرات، مما يؤدي إلى فقدان الكفاءة وعدم القدرة على استغلال كامل إمكانات الطاقة المتاحة.
لقد وضع فريق من الباحثين من جامعات في إيران هدفًا لحل هذه المشكلة من خلال تعليم "المضخة التي تعمل كتوربين" كيفية التكيف في الوقت الفعلي. وقد ركزوا على منشأة محددة في شبكة توزيع المياه في طهران، وهو نظام يعمل منذ سنوات ويوفر تاريخًا غنيًا من البيانات الواقعية. وبدلاً من الاعتماد على عمليات محاكاة حاسوبية معقدة تستغرق ساعات لتشغيلها أو تجارب جديدة مكلفة، لجأ الباحثون إلى طريقة تتعلم مباشرة من تاريخ الآلة نفسه. لقد جمعوا أكثر من ألف سجل لكيفية سلوك المضخة تحت ظروف مختلفة، مع ملاحظة معدل التدفق، والضغط، وسرعة المحرك الدوار، وكمية الكهرباء المنتجة. وباستخدام نوع متطور من التعلم الحاسوبي يُعرف باسم "الشبكة العصبية متعددة الحدود ذاتية التنظيم"، بنوا نموذجًا رياضيًا يمكنه التنبؤ بدقة بكيفية أداء الآلة في أي موقف معين. وخلافًا للعديد من النماذج الحاسوبية التي تعمل كـ "صناديق سوداء"، تعطي إجابة دون شرح كيفية الوصول إليها، أنتج هذا النموذج معادلات واضحة وسهلة القراءة تصف العلاقة بين تدفق المياه وسرعة الآلة.
ومع امتلاك هذا النموذج التنبئي، طرح الباحثون سؤالاً بسيطًا ولكنه قوي: إذا تغير تدفق المياه، فما هي السرعة الدقيقة التي يجب أن تدور بها المضخة لاستخراج أكبر قدر ممكن من الكهرباء منها؟ استخدموا خوارزمية تحسين للبحث عن السرعة المثالية لكل معدل تدفق محتمل، مع ضمان توفير الآلة لضغط كافٍ لتلبية احتياجات المدينة. كانت النتائج مذهلة؛ فقد وجدوا أن السرعة الأكثر كفاءة لم تكن رقمًا ثابتًا، بل هدفًا متحركًا يتغير بسلاسة مع تغير تدفق المياه. فعندما كان التدفق منخفضًا، كانت المضخة تحتاج للدوران بشكل أبطأ؛ وعندما كان التدفق مرتفعًا، كان عليها الدوران بشكل أسرع. سمحت هذه الاستراتيجية التكيفية للآلة بالبقاء في "نقطة التميز" الخاصة بكفاءتها في كثير من الأحيان مقارنة بآلة تعمل بسرعة ثابتة. وفي الواقع، في ظل ظروف التدفق المنخفض، حسنت الاستراتيجية الجديدة كفاءة الآلة بأكثر من ثلاثة عشر بالمائة مقارنة بالتشغيل بسرعة ثابتة. كما اكتشف الباحثون أن العلاقة بين تدفق المياه والسرعة المثالية كانت متسقة للغاية، حيث تتبع خطًا مستقيمًا تقريبًا يتوافق مع القوانين الأساسية لميكانيكا السوائل، مما يؤكد أن نهجهم القائم على البيانات قد أعاد اكتشاف حقيقة فيزيائية.
لم تقتصر الدراسة على مجرد إيجاد السرعة الصحيحة فحسب، بل اختبرت مدى موثوقية هذه النصيحة في العالم الحقيقي، حيث لا تكون المستشعرات مثالية ويمكن أن تكون القياسات غير دقيقة تمامًا. قاموا بمحاكاة أخطاء في قياسات التدفق لمعرفة ما إذا كانت السرعة الموصى بها ستتذبذب بجنون أم ستظل مستقرة. أظهر التحليل أن النظام كان قويًا، لكنه سلط الضل أيضًا على تبعية حرجة: وهي دقة قياس التدفق. فإذا كان قياس المستشعر الذي يقرأ تدفق المياه غير دقيق ولو بنسبة ضئلة، فإن السرعة الموصى بها ستتغير وفقًا لذلك. ويشير هذا الاكتشاف إلى أنه لكي تعمل هذه التكنولوجيا بشكل مثالي، فإن الاستثمار الأهم ليس في البرمجيات المعقدة، بل في ضمان دقة عدادات التدفق. كما استنتج الباحثون صيغة بسيطة ومباشرة من نتائج التحسين المعقدة الخاصة بهم؛ تعمل هذه الصيغة كدليل مرجعي سريع، مما يسم يسمح لنظام التحكم بحساب السرعة المثالية فورًا بناءً على التدفق الحالي، دون الحاجة إلى إجراء عملية حسابية بطيئة ومعقدة في كل مرة يتغير فيها مستوى المياه. وهذا يجعل من الممكن تثبيت النظام على وحدات التحكم الصناعية القياسية الموجودة في محطات معالجة المياه اليوم.
أخيرًا، نظر الفريق في الواقع الاقتصادي لتطبيق هذه الفكرة. باستخدام أنماط التدفق الفعلية لمحطة طهران على مدار عام كامل، حسبوا مقدار الكهرباء الإضافية التي يمكن توليدها من خلال الانتقال من السرعة الثابتة إلى هذه السرعة التكيفية الجديدة. كانت الأرقام مقنعة؛ إذ ستولد الاستراتيجية التكيفية 18,133 كيلووات ساعة إضافية من الكهرباء سنويًا، وهو ما يكفي لتزويد عدد صغير من المنازل بالطاقة بشكل مستمر. وبالنظر إلى أسعار الكهرباء الحالية، يترجم هذا إلى دخل إضافي يزيد عن 1,600 يورو سنويًا. وقُدرت تكلفة ترقية النظام الحالي بالبرمجيات وأجهزة التحكم اللازمة بنحو 2,000 يورو فقط. وهذا يعني أن الاستثمار سيسترد قيمته في عام واحد تقريبًا، وهو جدول زمني سريع للغاية بالنسبة لمشاريع الطاقة. وعلى مدى عقد من الزمن، سيحقق المشروع ربحًا صافيًا يزيد عن 10,000 يورو. وتخلص الدراسة إلى أنه من خلال استخدام البيانات لتعليم الآلات القديمة مهارات جديدة، يمكن لمرافق المياه تحويل هدر الطاقة الضروري إلى مصدر موثوق ومربح للطاقة، مع الحفاظ في الوقت نفسه على تدفق المياه بسلاسة إلى الناس الذين يحتاجون إليها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.