أسُس استهلاك الطاقة المدعومة بالذكاء الاصطناعي لإثبات إزالة الكربون في المباني

لماذا هذا مهم في الحياة اليومية

تحافظ المباني على برودة منازلنا، وإضاءة مكاتبنا، وراحة فنادقنا — لكنها أيضاً تستهلك كميات هائلة من الكهرباء وتُسهم بجزء كبير من الانبعاثات العالمية المسببة للاحتباس الحراري. تستكشف هذه الورقة كيف يمكن للذكاء الاصطناعي أن يساعد المباني الكبيرة على «ضبط» استهلاكها للطاقة بشكل مستمر في الوقت الفعلي، مما يقلل الهدر دون التضحية بالراحة. تُظهر الدراسة أن الخوارزميات الذكية، عند دمجها مع قواعد اعتماد موثوقة، يمكن أن تحوّل المباني اليومية إلى أدوات فعّالة في مكافحة تغير المناخ وفتح أبواب التمويل الأخضر.

من التخمينات الثابتة إلى الأسس الحية

اليوم، تعتمد معظم تقييمات طاقة المباني على أسس ثابتة وقواعد إبهام تقريبية حول الطقس، والإشغال، وأداء الأجهزة. صُممت هذه الطرق لعالم أكثر ثباتاً وتواجه صعوبات عندما تتغير جداول الأشخاص، أو تُركب أجهزة جديدة، أو تضرب موجات طقس متطرفة. ونتيجة لذلك، غالباً ما تكون ادعاءات توفير الطاقة بعد التجديد غير مؤكدة وصعبة التدقيق. تستبدل هذه الدراسة تلك الأساليب الجامدة بـ»أساس حي« يتحدّث ساعة بساعة. يمدّ هذا الأساس نماذج الذكاء الاصطناعي بتدفّقات بيانات — من العدادات وأجهزة الاستشعار ومحطات الطقس المحلية — لتتعلم باستمرار كيف يتصرف المبنى فعلياً، بحيث يمكن قياس التوفيرات مقابل مرجع متحرك لكنه موثوق بدلاً من تخمين لمرة واحدة.

كيف يعمل المحرك الذكي

يبني المؤلفون محرك ذكاء اصطناعي هجين يجمع بين قوتين: نموذج واحد (LSTM) بارع في اكتشاف الأنماط عبر الزمن، مثل التقلبات اليومية والموسمية في طلب التبريد، بينما الآخر (XGBoost) يتفوق في التعامل مع العديد من خصائص المبنى في آن واحد، مثل مساحة الطوابق ونوع المعدات وسنة التجديد. يعملان معاً على تحليل بيانات ساعة بساعة بشأن استهلاك الطاقة، والإشغال، والطقس لعشرة مبانٍ تجارية وسكنية ومختلطة الاستخدام في سنغافورة. يتعلم النظام ما كان المبنى سيستهلكه في ظل ظروف «طبيعية» ويقارن ذلك بما استهلكه فعلياً بعد تطبيق تحسينات الكفاءة أو الضوابط الأذكى. يصبح هذا الفارق تقديراً محسوباً بعناية للتوفيرات الحقيقية في الطاقة.

تحويل الأرقام إلى دليل مناعي للمناخ

خطوة أساسية هي تحويل توقعات الذكاء الاصطناعي إلى مقاييس يعترف بها المنظمون والممولون بالفعل. يرتبط الإطار مباشرة بطريقة حساب حفظ الطاقة (ECC) في سنغافورة، التي تدعم اعتماد المباني الوطني Green Mark. باستخدام صيغ مُعتمدة، يحوّل النظام الاستهلاك المتوقع والفعلي للطاقة إلى وفورات طاقة ثم إلى تخفيضات في ثاني أكسيد الكربون، استناداً إلى معامل انبعاثات شبكة الكهرباء في البلاد. عند نشره لثلاث سنوات عبر عشرة مبانٍ، حقق تركيبة AI‑ECC أخطاء توقع عادة أقل من 5%، وتوفيرات طاقة مؤكدة بنحو 6,885 ميغاواط ساعة، وتجنب انبعاثات تعادل 3,221 طنّاً من CO₂. في بعض المباني المجددة، انخفض استهلاك الطاقة لكل متر مربع بأكثر من 60%، وكل ذلك موثق بطريقة يمكن للمراجعين فحصها وتقبلها هيئات الاعتماد.

فندق كمختبر عملي في العالم الحقيقي

لتوضيح كيفية عمل هذا في الممارسة، يقدّم المؤلفون دراسة حالة لفندق مكون من ثمانية طوابق في وسط سنغافورة. بعد تركيب مبردات أكثر كفاءة، وإضاءة LED، وتهوية ذكية تستجيب لمستويات CO₂ الداخلية، ربط الفندق عداداته وأجهزة الاستشعار بالنظام الذكي. توقّع النموذج، الذي دُرّب مسبقاً على بيانات وطنية ثم تم ضبطه محلياً، استهلاك الطاقة واقترح تعديلات تشغيلية مثل تعديل نقاط ضبط التبريد وتشغيل المبردات مبكراً في الأيام الحارة والرطبة. على مدى 2020–2023، انخفضت كثافة استهلاك الطاقة في الفندق من نحو 500 إلى نحو 200 كيلوواط ساعة لكل متر مربع سنوياً، مما قلّص الانبعاثات بنحو 290–310 طنّاً من CO₂ سنوياً. ساعدت هذه النتائج المنشأة على نيل تصنيف Green Mark Platinum في أعلى الفئات وتأمين قرض مربوط بالاستدامة بفائدة أقل مرتبطة باستمرار خفض الانبعاثات.

من المباني الذكية إلى التمويل الأخضر

خارج المواقع الفردية، يجادل المؤلفون بأن هذا النهج يمكن أن يعيد تشكيل طريقة تفكير المدن والمستثمرين بشأن إزالة الكربون في المباني. وبما أن الإطار يتبع إرشادات دولية لتقييم أداء الطاقة وينتج لوحات بيانات واضحة ومفسّرة، يمكن أن تدعم مخرجاته التقارير البيئية والاعتمادات، وحتى برامج الائتمانات الكربونية أو السندات الخضراء. بعبارة أخرى، تصبح وفورات الطاقة المؤكدة نوعاً من العملة التي قد تجذب الاستثمار نحو تحسينات إضافية. ورغم أن التكاليف الأولية، وفجوات البيانات في المباني الأقدم، والحاجة إلى موظفين مهرة تظل عوائق، تُظهر الدراسة أن مجموعة أدوات متكاملة من الذكاء الاصطناعي والسياسات يمكن أن تحوّل العمليات الروتينية للمباني إلى مسار موثوق وقابل للتوسع نحو أهداف صافي الصفر.

الاستشهاد: Li, J., Hao, Y. & Li, Y. AI-enabled energy baselines for verified building decarbonization. Sci Rep 16, 5815 (2026). https://doi.org/10.1038/s41598-026-36284-w

الكلمات المفتاحية: المباني الذكية, كفاءة الطاقة, الذكاء الاصطناعي, تجديد المباني, انبعاثات الكربون