Machine Learning Modeling of the Volumetric Overall Mass Transfer Coefficient in a Novel L-Shaped Pulsed Sieve Plate Extraction Column
تُظهر هذه الدراسة أن نموذج الشبكة العصبية الاصطناعية (ANN) يتفوق بشكل كبير على الارتباطات التجريبية وخوارزميات التعلم الآلي الأخرى في التنبؤ بدقة بمعامل انتقال الكتلة الحجمي الكلي لعمود استخلاص ذي صفيحة غربالية نبضية مبتكرة على شكل حرف L، مع تحديد محتوى الطور المشتت وحجم القطرة كأهم العوامل المؤثرة.
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
تخيل أنك تحاول خلط سائلين يكرهان بعضهما البعض، مثل الزيت والماء، ولكنك بحاجة إلى تبادل مكون معين بينهما. هذه هي وظيفة الاستخلاص سائل-سائل، وهي عملية تُستخدم في كل مكان، من صناعة الأدوية إلى تنظيف النفايات النووية. ولجعل هذا التبادل يحدث بسرعة، يستخدم المهندسون أبراجاً طويلة ومهتزة مليئة بالصفائح المعدنية. في الداخل، تتكسر السوائل إلى قطرات صغيرة، مما يخلق مساحة سطح هائلة حيث يمكن للمكون أن يقفز من سائل إلى آخر. وتُقاس سرعة هذه القفزة بما يسمى معامل انتقال الكتلة. فكر في الأمر كأنه "درجة كفاءة" للبرج: كلما زادت هذه الدرجة، كان البرج أصغر حجماً، وأقل تكلفة، وأسرع في أداء مهمته.
لعقود من الزمن، حاول العلماء كتابة صيغ رياضية بسيطة للتنبؤ بدرجة الكفاءة هذه. أرادوا قاعدة "واحدة تناسب الجميع" تعمل مع أي شكل برج أو أي خليط سائل. ولكن المشكلة تكمن في أن هذه الصيغ القديمة تشبه محاولة استخدام خريطة لمدينة للتنقل في غابة؛ فهي تعمل بشكل رائع للأبراج المستقيمة التقليدية، لكنها تنهار عندما يكون للبرج شكل غريب أو عندما تتصرف السوائل بشكل مختلف. وغالباً ما تخطئ في التقدير بهوامش ضخمة، مما يجعل بناء آلات جديدة أفضل أمراً محفوفاً بالمخاطر. وهنا يأتي دور تعلم الآلة؛ فبدلاً من إجبار البيانات على الدخول في صيغة رياضية جامدة ومكتوبة مسبقاً، يعمل تعلم الآلة كالمحقق الذكي جداً الذي يبحث في آلاف الأدلة لاكتشاف الأنماط الخفية من تلقاء نفسه. فهو لا يحتاج إلى معرفة قواعد الفيزياء مسبقاً، بل يتعلم من البيانات ما يحدث بالفعل.
تتناول هذه الورقة لغزاً محدداً ومعقداً للغاية: نوعاً جديداً من أبراج الاستخلاص المصممة على شكل حرف L. فخلافاً للأبراج المستقيمة المعتادة، يحتوي هذا البرج على قسم أفقي تنزلق فيه السوائل جانبياً، يليه قسم رأسي حيث تستقر السوائل للأسفل. وقد وجد الباحثون أن شكل حرف L هذا يخلق عالمين مختلفين تماماً داخل نفس الآلة. ففي الجزء الأفقي، تضطرب السوائل لتتحول إلى نظام "تشتت" فوضوي وعالي الطاقة مع الكثير من القطرات الصغيرة. أما في الجزء الرأسي، فإنها تهدأ لتتحول إلى نمط "الخلاط والمستقر" مع قطرات أقل وأكبر حجماً. ولأن الفيزياء في كلا الجزئين مختلفة تماماً، فقد فشلت الصيغ القديمة "التي تناسب الجميع" تماماً في التنبؤ بمدى جودة عمل البرج، حيث أخطأت في التقدير بهوامش ضخلة.
ولحل هذه المشكلة، لم يحاول الفريق من جامعة أراك فرض معادلة رياضية جديدة على المسألة، بل قاموا بتغذية بيانات تجريبية من خليطين كيميائيين مختلفين (تولوين-ماء، و n-بوتيل أسيتات-ماء) في ثلاثة "أدمغة" مختلفة لتعلم الآلة: الشبكة العصبية الاصطناعية (ANN)، والغابة العشوائية (RF)، ونموذج انحدار متجه الدعم (SVR). لقد علموا هذه النماذج التنبؤ بدرجة الكفاءة (معامل انتقال الكتلة) بناءً على قياسات حقيقية لسرعة تدفق السوائل، وقوة نبض البرج، وحجم القطرات بدقة.
وكانت النتائج انتصاراً واضحاً لـ الشبكة العصبية الاصطناعية (ANN). فبينما قدمت النماذج الأخرى أداءً جيداً، أصبحت الشبكة العصبية الاصطناعية بمثابة كرة بلورية، حيث تنبأت بأداء البرج بدقة مذهلة؛ إذ أعطت الإجابة الصحيحة بنسبة 98% من الوقت (قيمة R² فوق 0.98)، وكان الخطأ فيها أقل من 6% في المتوسط. وفي المق المقابل، كانت الصيغ القديمة الموجودة في الكتب المدرسية تخطئ بنسبة تتراوح بين 33% إلى 74%، مما يجعلها عديمة الفائدة عملياً لهذا التصميم الجديد على شكل حرف L. لقد تعلم نموذج تعلم الآلة أن أهم الأدلة كانت كمية السائل المحتبس في البرج (الاحتجاز) وحجم القطرات. وقد استنتج أنه في القسم الأفقي، يؤدي هز البرج بقوة أكبر إلى تصغير القطرات وزيادة الكفاءة بشكل هائل. ولكن في القسم الرأسي، أدى هز البرج بقوة أكبر في الواقع إلى انخفاض الكفاءة لأن القطرات لم تملك الوقت الكافي للاستقرار.
كما أظهرت الورقة أن "أفضل" خليط كيميائي يعتمد على الجزء الذي تنظر إليه في البرج. فنظام التولوين كان يعمل بشكل أفضل في القسم الأفقي، بينما كان نظام n-بوتيل أسيتات هو المتفوق في القسم الرأسي. وقد استنتج نموذج الشبكة العصبية الاصطناعية هذا التحول المعقد بشكل طبيعي دون أن يتم إخباره بالقواعد صراحة، مما يثبت أنه تعلم حقاً الفيزياء الكامنة وراء العملية. ولمساعدة المهندسين الذين لا يستطيعون استخدام نماذج الكمبيوتر، أنشأ الفريق أيضاً صيغة رياضية جديدة وأبسط بناءً على نتائجهم، وكانت أفضل بكkenثير من الصيغ القديمة (رغم أنها لا تزال ليست مثالية مثل الذكاء الاصطناعي).
في النهاية، تثبت هذه الدراسة أنه بالنسبة لأشكال الآلات الجديدة والغريبة مثل البرج على شكل حرف L، لا يمكنك الاعتماد على قواعد الكتب القديمة. إن الصيغ التي "تناسب الجميع" مكسورة بالنسبة لهذه الأشكال الهندسية. وبدلاً من ذلك، فإن استخدام تعلم الآلة للتعلم مباشرة من البيانات هو المفتاح لتصميم محطات كيميائية أسرع وأكثر كفاءة. لم يقم الذكاء الاصطناعي بالتخمين فحسب، بل تعلم اللغة السرية للبرج ذي شكل حرف L، مما أظهر أنه عندما يكون لديك تصميم مبتكر، فأنت بحاجة إلى طريقة تفكير مبتكرة لإنجاحه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.