التنبؤ بأداء الاحتراق في منشآت النفط والغاز باستخدام نماذج شبكات عصبية مدمجة وتحليلات حسّاسات SAP S4HANA

لماذا يهم الاحتراق الأذكى

تحرق منشآت النفط والغاز كميات هائلة من الوقود يومياً لإنتاج الحرارة والبخار. يمكن لتحسينات بسيطة في مدى نظافة وكفاءة احتراق ذلك الوقود أن توفر للمؤسسات ملايين الدولارات وتقلل انبعاثات الاحتباس الحراري في الوقت نفسه. ومع ذلك، لا يزال المشغلون يعتمدون بشكل كبير على قواعد ثابتة وإنذارات متأخرة للحفاظ على موقدات وغلايات المصنع. تستعرض هذه المقالة كيف يمكن لدمج الحساسات الحديثة، وبرمجيات المؤسسات مثل SAP S/4HANA، والشبكات العصبية المتقدمة أن يحول أنظمة الاحتراق إلى آلات ذكية وواعية ذاتياً تتنبأ بالمشكلات وتمنعها باستمرار قبل أن تُهدَر الطاقة أو تُخالف حدود التلوث.

من القواعد الصارمة إلى أنظمة التعلم

يعتمد التحكم التقليدي في الاحتراق بالمصافي ومحطات الغاز على صيغ وقواعد ثابتة: إذا تجاوزت الأكسجين أو أول أكسيد الكربون (CO) عتبة معينة، تُطلق الإنذارات ويتدخل المشغلون. تكافح هذه القواعد مع الواقع الفوضوي للمصانع الصناعية، حيث تجعل جودة الوقود وشيخوخة المعدات وتغير الأحمال سلوك الاحتراق غير خطي إلى حد كبير. يجادل البحث بأن هذا الانفصال يؤدي إلى زيادة استهلاك الوقود، ومزيد من الصيانة، ومخاطر أعلى في عدم الامتثال لقواعد الانبعاثات المتشددة مثل معايير MARPOL وIMO. بدلاً من اعتبار كل إنذار حادثة معزولة، يقترح المؤلفان رؤية الاحتراق كنمط يتطور باستمرار ويمكن تعلمه من تدفقات غنية من بيانات الحساسات.

ربط حسّاسات المصنع بالعقول المؤسسية

تقوم المصانع الحديثة بالفعل ببث بيانات من مئات الحساسات التي تراقب مستويات الأكسجين ودرجة حرارة غازات المداخن وتدفق الوقود والهواء وضغط البخار وانبعاثات المداخن. تجمع أنظمة المؤسسات مثل SAP S/4HANA هذه الإشارات للتخطيط للصيانة والإبلاغ التنظيمي، لكنها نادراً ما تستخدمها للتنبؤ في الزمن الحقيقي. تعمل هذه الدراسة على توصيل محرك توقعات ذكاء اصطناعي مباشرةً بطبقة المؤسسة. باستخدام بوابات SAP الصناعية، تُنقى بيانات أكثر من 70 حسّاساً لكل منشأة، وتزال الضوضاء وتُزامن في نوافذ زمنية قصيرة، ثم تُخزن في قاعدة بيانات في الذاكرة. ويمكن أن تجلس نفس البنية فوق منصات أخرى مثل Oracle أو Siemens Mindsphere أو ما شابهها، مما يجعل النهج إلى حد كبير غير مرتبط ببائع واحد.

كيف تتعلم الشبكة العصبية التنبؤ بالنار

جوهر النظام هو شبكة عصبية هجينة تمزج بين قوتين: طبقات كثيفة لالتقاط العلاقات بين المتغيرات في لحظة زمنية معينة، ووحدات متكررة ذات بوابات (GRUs) لتتبع كيفية تغير تلك المتغيرات عبر الزمن. مدرّب على 6.5 مليون عيّنة حسّاسات من ثلاث منشآت مختلفة، يتعلم النموذج التنبؤ بثلاث نتائج رئيسية بعد عشر دقائق: كفاءة الاحتراق، انبعاثات أول أكسيد الكربون، ومؤشر استخدام الوقود الذي يربط تدفق الوقود بمخرجات البخار المفيدة. بإعادة تأطير المشكلة كتنبؤ قصير الأجل بدلاً من مراقبة بسيطة، يمنح الذكاء الاصطناعي المشغلين أفضلية قيمة لضبط المشاعل والمثبطات أو خلطات الوقود قبل أن تنخفض الكفاءة أو تتجاوز حدود الانبعاث.

تنبؤات موثوقة، إنذارات أسرع، مداخن أنظف

في اختبارات عبر ثلاث منشآت ومحاكاة إضافية، تفوق النموذج الهجين على الأدوات القياسية مثل الانحدار الخطي وغابات القرار العشوائية وحتى الشبكات المتكررة الأبسط. ظلت أخطاء توقعه بالنسبة للكفاءة ضمن حوالي نقطتين مئويتين، مع ثقة إحصائية قوية وتقلب منخفض عبر الزمن. عمل النظام بزمن استجابة متوسط يقارب عُشر الثانية وتوافر 99.7%، مناسب للاستخدام الحي في غرف التحكم. والأهم من ذلك، بُنيت أساليب الذكاء القابل للتفسير داخله: يمكن للنموذج إبراز أي الحساسات — عادةً درجة حرارة غازات المداخن وتدفق الوقود والأكسجين — أثرت أكثر في توقع معين. ساعدت هذه الشفافية المهندسين على التمييز بين مشاكل العملية الحقيقية والأجهزة المعطلة، وزادت الثقة في توصيات الذكاء الاصطناعي.

ماذا يعني هذا للطاقة والتكلفة والانبعاثات

بالنسبة لغلاية صناعية نموذجية، يتحول حتى تحسن بنسبة 2–5% في كفاءة الاحتراق إلى وفورات وقود سنوية كبيرة وتخفيض مباشر في ثاني أكسيد الكربون وغيرها من الملوثات. يذكر البحث تحقيق زيادات متوسطة في الكفاءة بنحو 1.7% في أولى عمليات النشر، وهو ما يكفي لرد تكاليف التكامل خلال بضعة أشهر من خلال فواتير وقود أقل، وانقطاعات غير مخططة أقل، وغرامات تنظيمية أقل. وبما أن طبقة الذكاء الاصطناعي تجلس داخل بيئة تخطيط موارد المؤسسة القائمة، فإنها أيضاً تقوّي سجلات التدقيق والتقارير المتعلقة بالاستدامة. وبالنظر إلى المستقبل، يتصور المؤلفون إضافة عوامل تعلم معزز لا تتنبأ فقط بل تضبط إعدادات المشاعل تلقائياً، إلى جانب نسخ خفيفة على الحافة يمكنها العمل في مواقع نائية. مجتمعة، تشير هذه الخطوات إلى مصانع صناعية يُحسّن فيها الاحتراق باستمرار—موفرةً المال، ومحسنةً السلامة، ومقلِّلةً البصمة البيئية للطاقة التي نعتمد عليها يومياً.

الاستشهاد: Keshireddy, S.R., Jamithireddy, N.H., Jamithireddy, N.S. et al. Combustion performance prediction in oil and gas plants using integrated neural network models and SAP S4HANA sensor analytics. Sci Rep 16, 5069 (2026). https://doi.org/10.1038/s41598-026-35364-1

الكلمات المفتاحية: الذكاء الاصطناعي الصناعي, كفاءة الاحتراق, منشآت النفط والغاز, تحليل الحساسات, SAP S4HANA