التنبؤ بالمسامية في أوعية الهيدروجين المركبة عالية الضغط باستخدام ذكاء اصطناعي مبني على الإدراك الضبابي المعزز ومعاملات عملية التصنيع

لماذا تهم الفقاعات الصغيرة في خزانات الهيدروجين

تعد خزانات الهيدروجين عالية الضغط العمود الفقري للتنقّل النظيف المستقبلي، من سيارات خلايا الوقود إلى التخزين الصناعي. يجب أن تكون هذه الأوعية قوية جداً وخفيفة الوزن في آنٍ واحد، ولهذا تُصنع من طبقات من ألياف الكربون المركبة ملفوفة حول بطانة بلاستيكية. لكن داخل هذه الطبقات قد تتكوّن فراغات دقيقة — تُسمى المسامية. الكثير منها، أو وجودها في مكان خاطئ، قد يؤدي إلى فشل خزان كان من المفترض أن يدوم سنوات. تستكشف هذه الدراسة كيف يمكن لشكل قابل للتفسير من الذكاء الاصطناعي أن يتعلم من بيانات المصانع الحقيقية للتنبؤ بعدد المسامات التي ستظهر في الخزان، وأي أجزاء من عملية اللف تؤثر أكثر على التحكم بها.

بناء غلاف هيدروجين أكثر أماناً

الخزانات التي فُحصت في هذا العمل هي ما يُعرف بنوعية Type IV لخزانات الهيدروجين، والمستخدمة في المركبات والأنظمة الثابتة. تتكوّن من بطانة بوليمرية ملفوفة بعدة طبقات من ألياف الكربون المشبعة بالراتنج، في عملية تُعرف باسم لف الخيط الرطب. أثناء اللف يمكن ضبط عشرات المعاملات: مدى شد كل بكرة ليف، وسرعة دوران اللولب الداخلي (الماندرل)، وزاوية تقاطع الألياف مع السطح، وسرعة ترسيب الطبقات، وكمية الراتنج التي يفردها شفرة معدنية صغيرة على الألياف. تسمح قوانين الشهادات بوجود مستوى معين من المسامية، لكن الفراغات الزائدة تضعف البنية وقد تهدد السلامة. وبما أن التفاعل الفيزيائي بين كل هذه العوامل معقّد للغاية، لجأ المؤلفون إلى النمذجة المبنية على البيانات بدلاً من محاولة كتابة معادلة فيزيائية شاملة.

ذكاء اصطناعي شفاف للأنظمة عالية المخاطر

تصنّف اللوائح الأوروبية قرارات سلامة خزانات الهيدروجين على أنها استخدام عالي المخاطر للذكاء الاصطناعي. وهذا يعني أن النماذج لا يمكن أن تكون صناديق سوداء: يجب أن يكون بإمكان المهندسين والمنظمين فهم كيفية تكوين التنبؤات. قد تكون طرق مثل الشبكات العصبية العميقة أو مجموعات أشجار القرار الكبيرة دقيقة، لكن منطقها الداخلي في الأساس غير شفاف. لذلك استخدم المؤلفون XTRACTIS، وهو ما يُسمى ذكاء اصطناعي إدراكي ضبابي معزز. بدلاً من إخفاء أسبابه، يبني XTRACTIS تلقائياً مجموعات من قواعد IF…THEN قابلة للقراءة البشرية تربط متغيرات العملية المختارة بالنتائج. كما يقيم مدى بساطة أو تعقيد النموذج، ويكافئ النسخ التي تعتمد على مدخلات وقواعد أقل بينما تظل تتنبأ بشكل جيد.

من قياسات المصنع إلى القواعد المتعلمة

جمع البيانات عن خزانات حقيقية مكلف لأن كل وعاء بالحجم الكامل يكلف عدة آلاف من اليوروهات ويجب أن يُفحص بواسطة تصوير مقطعي ثلاثي الأبعاد بالأشعة السينية. لذلك عملت الدراسة مع 12 خزاناً فقط، موزعة على 180 طبقة لف فردية. لكل طبقة، كانت متاحة 58 متغيراً مرشحاً تصف الشدود والسرعات والزوايا والتحكم في الراتنج وخيارات تصميم أخرى، إلى جانب المسامية المقاسة بالأشعة السينية. ركز الفريق على التنبؤ باللوغاريتم لعدد المسامات بدلاً من العدد الخام، ما ينعّم القيم المتطرفة. استكشف XTRACTIS آلاف تكوينات النماذج واستخدم استراتيجية تقاطع تحقق صارمة، حيث درّب واختبر مراراً على تقسيمات مختلفة من البيانات لتجنّب الإفراط في التكيّف. ثم استخلص أفضل تجمّع من النماذج إلى "خبير افتراضي" أبسط قائم على قواعد. على الطبقات الاختبارية غير المرئية، أعاد هذا الخبير أعداد المسامات بدقة جيدة، مع أخطاء توقع أقل من نحو 8 في المئة وارتباط قوي بين القيم المتنبأ بها والمشاهدات.

ما يكشفه النموذج عن صناعة خزانات أفضل

لأن النموذج النهائي يُعبّر عنه كمجموعة صغيرة من قواعد IF…THEN الضبابية، يمكن قراءة سلوكه شبه كإرشادات هندسية. تظهر القواعد أن الحفاظ على شد الألياف موحداً وضمن نطاق صحي أمر حاسم: عندما تختلف شدود بكرات الألياف كثيراً، تصبح بعض المناطق مرتخية بينما تتشدد أخرى، مهيئةً ظروفاً لتكوين فراغات إضافية. تشكّل سرعة دوران الماندرل وزاوية اللف معاً مدى وكثافة حزم الألياف؛ فسرعات منخفضة جداً وزوايا سطحية جداً تعطي ضغطاً وتوزيع راتنج ضعيفين. عنصر رئيسي آخر هو التحكم بالراتنج عبر شفرة الطبيب (doctor blade) والحجم الكلي لكل طبقة. يمنع تدفق الراتنج المضبوط جيداً كلّاً من مناطق الألياف الجافة والجيوب الغنية بالراتنج، وكل منهما يشجع على تكوّن الفقاعات. كما يقترح النموذج أن بكرات الألياف الأصغر والأكثر استقراراً قد تساعد في الحفاظ على شدود ثابتة، مما يقلل المسامية أكثر.

حدود البيانات ودروس لمراقبة الجودة

حاول الباحثون أيضاً تدريب نماذج لتصنيف كل طبقة إلى معدل مسامية منخفض مقابل متوسط أو مرتفع، وهو مقياس يُستخدم غالباً في أرض المصنع. كلا من XTRACTIS وخوارزمية معززة لشجر القرار غير الشفافة أدّت بشكل سيئ على البيانات الجديدة الحقيقية في هذه المهمة. كشفت فحوصات لاحقة أن تسميات معدل المسامية نفسها كانت مشوشة، لأن جميع المسامات افترضت كروية وتمت إسنادها آلياً إلى الطبقات بطريقة مبسّطة. من المحتمل أن هذا الخطأ في الوسم طمس الحدود بين الفئات. التباين مهم هنا: حيث تكون القيم الهدف موثوقة، يمكن للذكاء الاصطناعي الشفاف الأداء جيداً حتى بوجود بيانات محدودة؛ وحيث تكون التسميات مشكوكاً فيها، لا تستطيع أي خوارزمية إصلاحها. عموماً، تُظهر الدراسة أن نماذج القواعد الضبابية القابلة للتفسير يمكن أن توجه المهندسين نحو إعدادات عملية أكثر أماناً وتبرز نقاط الضعف في القياس وتحضير البيانات.

طريق أوضح لتخزين هيدروجين أكثر أمناً

بعبارات بسيطة، تُظهر هذه الدراسة أن نظام ذكاء اصطناعي قابل للتفسير يستطيع التعلم من كمية متواضعة من بيانات المصنع للتنبؤ بعدد الفراغات المجهرية التي ستتشكل داخل غلاف خزان الهيدروجين المركب، وتحديد أي الضوابط على خط الإنتاج لها التأثير الأكبر. تُحوّل القواعد الناتجة الرياضيات المعقّدة إلى نصائح عملية مفهومة: الحفاظ على شد الألياف ثابتاً، اختيار سرعات وزوايا لف مناسبة، والتحكم بعناية في تدفق الراتنج وحجم الطبقة. بينما ستحتاج هذه الرؤى إلى مزيد من البيانات الأفضل لصقلها والتحقق منها على خزانات جديدة، يقدم النهج مخططاً واعداً لجعل تخزين الهيدروجين أكثر أماناً، ليس باستبدال المهندسين، بل بمنحهم شريكاً شفافاً يحول القياسات المبعثرة إلى فهم قابل للتطبيق.

الاستشهاد: Achour, L., Zalila, Z., Aboura, Z. et al. Predicting porosity in composite high-pressure hydrogen vessels using augmented fuzzy cognitive AI and manufacturing process parameters. Sci Rep 16, 9894 (2026). https://doi.org/10.1038/s41598-026-38447-1

الكلمات المفتاحية: تخزين الهيدروجين, المواد المركبة, عيوب التصنيع, الذكاء الاصطناعي القابل للتفسير, لف الخيط (filament winding)