Fabric Drying Prediction Using Physical Kinetics and Neural Parameter Learning

عندما تتدلى قطعة من القماش المبلل في تيار من الهواء الدافئ، فإنها لا تختفي ببساطة في جفاف تام بوتيرة ثابتة ومتوقعة، بل يغادر الماء بنمط محدد، مدفوعاً بدرجة حرارة الهواء، وسرعة حركة ذلك الهواء، ومقدار الرطوبة المحتبسة فيه بالفعل. هذه العملية، المعروفة باسم حركية التجفيف (drying kinetics)، تمثل تحدياً جوهرياً في صناعات تتراوح من تصنيع المنسوجات إلى حفظ الأغذية. وقد اعتمد المهندسون والعلماء لفترة طويلة على الأوصاف الرياضية للتنبؤ بالمدة التي ستستغرقها دورة التجفيف، باستخدام نماذج بسية تفترض أن الماء يغادر بمعدل يتحدد بمدى بعد القماش عن كونه جافاً تماماً. وبينما تعمل هذه النماذج التقليدية بشكل جيد في إعداد واحد محكم، إلا أنها غالباً ما تتعثر عندما تتغير الظروف؛ فإذا تغيرت درجة الحرارة أو تباين تدفق الهواء، تجد المعادلات القديمة صعوبة في التكيف، مما يضطر المشغلين إلى التخمين أو إجراء اختبارات تجربة وخطأ مكلفة لمعرفة التوقيت المناسب. ويصبح السؤال الجوهري هو: هل يمكن للحاسوب أن يتعلم القواعد الخفية التي تربط هذه الظروف المتغيرة بسرعة التجفيف، دون فقدان المنطق الفيزيائي الواضح الذي يفسر سبب مغادرة الماء في المقام الأول؟

لقد سعى باحث في جامعة دونغهوا في شنغهاي لحل هذه المشكلة من خلال المزج بين موثوقية الفيزياء وقدرة التعلم الآلي الحديثة على التكيف. فقد ركز على مجموعة بيانات تحتوي على نتائج 79 تجربة تجفيف منفصلة، حيث تعرض القماش لـ 27 تركيبة مختلفة من درجة حرارة الهواء، وسرعة تدفق الهواء، والرطوبة. وفي المجمل، حلل الباحث أكثر من 14,000 قياس فردي للكتلة بمرور الوقت. ولم يكن هدفه استبدال القوانين الفيزيائية الراسخة للتجفيف ببرنامج حاسوبي "صندوق أسود"، بل استخدام نوع متخصص وصغير من الشبكات العصبية — وهو نظام حاسوبي مصمم للتعرف على الأنماط — لتعلم كيفية تأثير ظروف التشغيل على سرعة العملية. لقد أبقى على الهيكل الفيزيائي الأساسي لمعادلة التجفيف سليماً، والتي تصف فقدان الماء كمنحنى سلس ومتوقع، لكنه سمح للحاسوب بتعلم "ثابت المعدل" الخاص بكل مجموعة جديدة من الظروف. وهذا الثابت هو في الأساس رقم يخبر النموذج بمدى سرعة تجفيف القماش تحت ظروف معينة.

ولاختبار نهجه، استخدم الباحث طريقة صارمة حيث يقوم بإخفاء مجموعة كاملة من الظروف عن الحاسوب، وتدريب النموذج على الـ 26 مجموعة المتبقية، ثم يطلب من النموذج التنبؤ بمنحنى التجفيف للظروف المخفية. يشبه هذا تعليم طالب مجموعة من المسائل التدريبية ثم اختباره في سؤال جديد تماماً لم يره من قبل. كُلِّف الحاسوب بتعلم العلاقة بين المتغيرات الثلاثة المدخلة — درجة الحرارة، وتدفق الهواء، والرطوبة — وسرعة التجفيف الناتجة. وقارن الباحث بين منهجه الجديد وبين نهج تقليدي أبسط يفترض أن العلاقة بين هذه العوامل هي خط مستقيم. وأظهرت النتائج أن النموذج المعزز حاسوبياً كان أفضل بكثير في التنبؤ بالمستقبل؛ فعند التنبؤ بمنحنى التجفيف للظروف غير المرئية، قلل المنهج الجديد متوسط الخطأ في الكتلة المتوقعة بنحو 9 بالمائة. والأهم من ذلك بالنسبة للتطبيقات العملية، أنه حسن التنبؤ بالوقت اللازم لإزالة 90 بالمائة من الماء القابل للإزالة؛ حيث كان المنهج التقليدي يخطئ بمتوسط يقارب 60 دقيقة، بينما خفض المنهج الجديد هذا الخطأ إلى أقل من 52 دقيقة بقليل.

كما كشفت الدراسة عن أمر مهم يتعلق بحدود هذه النماذج. فحتى مع التحسينات في التنبؤات، وجد الباحث أن المعادلة الفيزيائية البسيطة التي استخدمها لا يمكنها وصف كل لحظة من عملية التجفيف بدقة تامة. فعندما نظر بتمعن في الفروقات بين المنحنى المتوقع والقياسات الفعلية، لاحظ نمطاً ثابتاً: كان النموذج يميل إلى الخطأ قليلاً خلال المراحل المبكرة والمتوسطة من التجفيف، وانحرف الخطأ في الاتجاه المعاكس مع اقتراب القماش من نهاية الدورة. وهذا يشير إلى أنه بينما نجح الحاسوب في تعلم كيفية ضبط سرعة التجفيف بناءً على البيئة، فإن العملية الفيزي الفعلية تنطوي على تغيرات دقيقة في السلوك بمرور الوقت لا يمكن لمعادلة واحدة بسيطة استيعابها بالكامل. وأشار الباحث إلى أن عوامل مثل الوقت الذي يستغرقه استقرار الهواء أو الطريقة المحددة التي يحتفظ بها القماش بالماء قد تكون هي المسببة لهذه الانحرافات الصغيرة.

في نهاية المطاف، يوضح هذا العمل أن نموذجاً حاسوبياً صغيراً ومركزاً يمكن أن يعمل كجسر قوي بين العالم الفيزيائي والتنبؤ الرقمي. فمن خلال دمج عملية التعلم مباشرة في المعادلات الفيزيائية، أنشأ الباحث أداة تتسم بالدقة والقابلية للتفسير في آن واحد. فهي لا تخمن الإجابة فحسب، بل تحسب الوقت المطلوب للوصول إلى درجة الجفاف المستهدفة من خلال فهم كيفية تغيير البيئة لمعدل فقدان الماء. ويقدم هذا النهج طريقة مدمجة وموثوقة للتنبؤ بأوقات التجفيف للظروف الجديدة دون الحاجة إلى إجراء تجربة فيزيائية أولاً. وتشير النتائج إلى أنه بالنسبة للعمليات الصناعية حيث يكون الوقت والطاقة أمرين بالغ الأهمية، فإن الجمع بين المنطق الثابت للفيزياء وقوة التعرف على الأنماط للشبكات العصبية يوفر مساراً أكثر وضوحاً وكفاءة لفهم كيفية سلوك المواد تحت الضغط.