← أحدث الأبحاث
⚡ الهندسة الكهربائية

Active learning-driven experimental design for torrefaction process optimization using multi-objective Gaussian process surrogates

تقدم هذه الورقة إطار عمل للتعلم النشط يستخدم بدائل العمليات الغاوسية متعددة الأهداف لتحسين عملية تحلل الكتلة الحيوية حرارياً بكفاءة، وذلك من خلال التوصية بتجارب عالية القيمة توازن بين مردود الكتلة، والقيمة الحرارية العليا، ومردود الطاقة، مع تقليل التكاليف التجريبية بشكل كبير.

المؤلفون الأصليون: Mohammed R. AlAttar¹, Amr Y. Elbanhawy¹, Zakaria Ghoneim²

نُشر 2026-10-19
📖 5 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Mohammed R. AlAttar¹, Amr Y. Elbanhawy¹, Zakaria Ghoneim²

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

تُعد الكتلة الحيوية، وهي المواد العضوية المستمدة من النباتات والأشجار، واعدة للغاية كمصدر للطاقة المتجددة، ولكن في حالتها الخام، غالبًا ما يكون من الصعب التعامل معها ونقلها وحرقها بكفاءة. فهي مليئة بالرطوبة، وتتفتت بسهء، وتفتقر إلى الكثافة الطاقية التي يتمتع بها الفحم. ولحل هذه المشكلة، يستخدم العلماء عملية تسمى "التوريفاكسيون" (torrefaction)، وهي تسخين الكتلة الحيوية بلطف في بيئة مغلقة وخالية من الأكسجين. هذا الطهي الخفيف، الذي يحدث عادةً بين 200 و320 درجة مئوية، يحول المادة الخام إلى وقود صلب وجاف يشبه الفحم، مما يسهل طحنه ويجعله يحترق بشكل أنظف. ومع ذلك، فإن العثور على ظروف الطهي المثالية يمثل لغزًا معقدًا؛ إذ تعتمد جودة الوقود النهائي بشكل كبير على عاملين رئيسيين: مدى سخونة الفرن ومدة بقاء الكتلة الحيوية بداخله. فإذا كانت درجة الحرارة منخفضة جدًا أو الوقت قصيرًا جدًا، سيظل الوقود ضعيفًا؛ وإذا كانت مرتفعة جدًا أو الوقت طويلًا جدًا، فسيُفقد الكثير من المادة القيمة على شكل دخان وغاز. وبما أن الكتلة الحيو تختلف من دفعة إلى أخرى، وأن عدد مجموعات درجات الحرارة والوقت الممكنة هائل، فإن العثور على الإعدادات المثالية من خلال تجارب المحاولة والخطأ التقليدية هو أمر بطيء ومكلف وغير فعال في كثير من الأحيان.

لقد طور باحثون في جامعة عين شمس في مصر طريقة جديدة لحل هذا اللغز، تعمل بمثابة دليل ذكي للمختبر. فبدلاً من اختبار كل مجموعة ممكنة من الحرارة والوقت بشكل عشوائي، قاموا ببناء نموذج حاسوبي يتعلم من البيانات الموجودة للتنبؤ بنتيجة التجارب الجديدة قبل إجرائها حتى. هذا النموذج، المعروف باسم "العملية الغاوسية" (Gaussian process)، مميز لأنه لا يكتفي بتخمين النتيجة فحًا، بل يحسب أيضًا مدى عدم تأكده من ذلك التخمين. فكر في الأمر كأنه توقع جوي لا يخبرك فقط بأنها ستمطر، بل يخبرك أيضًا بمدى ثقة خبير الأرصاد الجوية في هذا التوقع. ومن خلال استخدام مستوى الثقة هذا، أنشأ الباحثون نظام "تعلم نشط" (active learning). يعمل هذا النظام كالمستكشف الفضولي الذي يعرف بالضبط أين يبحث تاليًا؛ فهو يوازن بين هدفين: اختبار الظروف التي يكون فيها النموذج جيدًا بالفعل في التنبؤ بالنتائج لصقل الإجابة، واختبار الظروف التي يكون فيها النموذج غير متأكد، ليتعلم شيئًا جديدًا. كما يضمن النظام أن تكون التجارب التي يقترحها موزعة عبر النطاق الكامل من الاحتمالات، مما يمنع الباحثين من إضاعة الوقت في اختبار نفس الظروف مرتين.

قام الفريق بتغذية نموذجهم الحاسوبي ببيانات من 486 تجربة توريفاكسيون سابقة، تضمنت تفاصيل حول درجة حرارة تسخين الكتلة الحيوية، والوقت الذي سُخنت فيه، والتركيب الكيميائي للمادة النباتية. كُلِّف النموذج بمهمة التنبؤ بثلاث نتائج رئيسية: مقدار الوقود الصلب المتبقي بعد التسخين، وكمية الطاقة التي يحتوي عليها هذا الوقود، وإجمالي عائد الطاقة. وعند اختباره مقابل بيانات لم يسبق له رؤيتها، أثبت النموذج دقة ملحوظة، حيث تنبأ بشكل صحيح بمحتوى الطاقة للوقود في ما يقرب من 97 في المائة من الحالات، وبكمية الوقود المتبقية في حوالي 85 في المائة من الحالات. وقد تفوق أداؤه بشكل كبير على تقنيات النمذجة الحاسوبية الشائعة الأخرى، مثل "الغابات العشوائية" (random forests) أو "الشبكات العصبية" (neural networks)، والتي تُستخدم غالبًا لمهام مماثلة. والأهم من ذلك، تحقق الباحثون من أن تقديرات عدم اليقين في النموذج موثوقة؛ فقد وجدوا أنه عندما يقول النموذج إنه واثق بنسبة 95 في المائة من تنبؤ ما، فإن النتيجة الفعلية تقع ضمن هذا النطاق في 93 في المائة من الحالات بالنسبة لعائد الوقود، وفي 95 في المائة من الحالات بالنسبة لإجمالي الطاقة. وهذا الموثوقية ضرورية، لأنها تعني أن اقتراحات النظام حول مكان إجراء التجربة التالية تستند إلى أرضية صلبة.

باستخدام هذا النموذج الموثوق، طلب الباحثون من الكمبيوتر التوصية بالعشر تجارب القادمة التي ستعلمهم أكثر قدر ممكن. لم يكتفِ النظام باختيار أفضل ظرف واحد، بل اختار مجموعة متنوعة من عشرة إعدادات مختلفة تغطي الطيف الكامل لعملية التوريفاكسيون. وقد شملت التجارب الموصى بها درجات حرارة تتراوح من 200 إلى 315 درجة مئوية وأوقات تسخين تتراوح من 30 ثانية إلى ما يقرب من 1,100 ثانية. وأظهرت النتائج وجود مقايضة واضحة: فالظروف الأخف، حوالي 200 إلى 215 درجة، أنتجت كمية أكبر من الوقود الصلب ولكن بكثافة طاقية أقل قليلاً، بينما أنتجت الظروف الأكثر قسوة، بالقرب من 315 درجة، وقوداً أقل ولكن بمحتوى طاقي أعلى بكثير. وقد وقعت اقتراحات الكمبيوتر عند حافة هذه المقايضة تمامًا، مما قدم مجموعة متوازنة من التجارب التي يمكن أن تساعد العلماء في تحديد ما إذا كانوا يريدون تعظيم كمية الوقود المنتجة أو الطاقة المعبأة في كل كيلوغرام. كما كشف التحليل أن درجة الحرارة والوقت كانا العاملين الأكثر أهمية بلا منازع، بينما كانت نوع المادة النباتية أقل أهمية مما كان متوقعًا، على الأقل ضمن نطاق البيانات التي درسوها.

يقدم هذا النهج خارطة طريق عملية للعلماء والمهندسين العاملين في تحسين أنواع الوقود المتجددة. فمن خلال استخدام نظام يتعلم من البيانات السابقة ويختار التجارب المستقبلية بذكاء، يمكن للمختبرات تجاوز التخمين والتركيز على الاختبارات الأكثر إفادة. لقد أثبت الباحثون أن طريقتهم قوية، بمعنى أن التغييرات الصغيرة في كيفية وزن الكمبيوتر لخياراته لا تغير التوصيات النهائية بشكل جذري. وبينما اعتمدت الدراسة الحالية على نوع ثابت من المواد النباتية وجولة واحدة من التوصيات، فإن الإطار مصمم ليتم تحديثه. وفي المستقبل، يمكن استخدام هذا النظام نفسه في حلقة مستمرة، حيث يتم إدخال نتائج التجارب الجديدة مرة أخرى في النموذج لصقل تنبؤاته وتوجيه مجموعة التجارب التالية. أما في الوقت الحالي، فيوفر هذا العمل مسارًا واضحًا مدفوعًا بالبيانات، موضحًا أنه مع الأدوات المناسبة، يمكن تحسين العملية المعقدة لتحويل النباتات إلى وقود عالي الجودة مع عدد أقل بكثير من التجارب وفهم أوضح لما يعمل بشكل أفضل.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف ⚡ eess →