تحليل مقارن لنماذج التعلم الضحل والهجين العميق للتنبؤ بكفاءة التبريد للوحة ضوئية مبردة بسائل نانوي عبر مواد متعددة

لماذا من المهم إبقاء الألواح الشمسية باردة

تعمل الألواح الشمسية بأفضل أداء عندما تكون باردة، لكن تحت أشعة الشمس القوية قد ترتفع درجات حرارتها، مما يقلل بهدوء كمية الكهرباء التي تنتجها. بالنسبة لأصحاب المنازل والمرافق وأي جهة تراهن على الطاقة النظيفة، يعني هذا الانخفاض في الأداء عددًا أقل من الكيلوواط-ساعات المتوقعة. تدرس هذه الدراسة نهجًا جديدًا لتبريد الألواح: تدوير "السوائل النانوية" الخاصة خلف اللوحة الشمسية واستخدام الذكاء الاصطناعي للتنبؤ بمدى فعالية التبريد. الهدف هو تقليل التجارب البطيئة والمكلفة في الهواء الطلق مع الحفاظ على كفاءة الطاقة الشمسية في ظروف الحرارة الحقيقية.

كيف تساعد الجسيمات الدقيقة الألواح الساخنة

تتعرض الألواح الشمسية التقليدية لأشعة الشمس فتسخن، ما يقلل من إنتاجها بنحو نصف بالمئة لكل درجة مئوية ارتفاع في الحرارة. إحدى طرق مواجهة ذلك هي تبريد اللوحة بنشاط باستخدام شبكة رقيقة من الأنابيب المثبتة في الخلف. في هذا الإعداد، يتم ضخ سائل عبر الأنابيب ليحمل الحرارة بعيدًا. بدلاً من استخدام الماء النقي وحده، اختبر الباحثون السوائل النانوية: ماء يحتوي على جسيمات صغيرة جدًا من أكسيد الألومنيوم (Al₂O₃) أو أكسيد التيتانيوم (TiO₂) عند كسور حجمية منخفضة جدًا (0.01%، 0.1%، و1%). يمكن لهذه الجسيمات النانوية تحسين قدرة السائل على امتصاص ونقل الحرارة، مما قد يحافظ على اللوحة أبرد وأكثر كفاءة مقارنة بالماء لوحده.

اختبارات ميدانية فعلية عبر سبعة سوائل مبردة

ركب الفريق لوحتين شمسيّتين متطابقتين بقدرة 50 واط في حرم جامعي في منطقة حارة وجافة في تركيا. زوِّدت لوحة واحدة بأنابيب نحاسية وزعانف في الخلف للتبريد، بينما تُركت الأخرى من دون تبريد كمرجع. قام مضخٌّ بضخ الماء أو أحد ستة مخاليط سائلة نانوية عند معدل تدفق ثابت عبر أنابيب التبريد. على مدى عدة أيام، جمعوا قياسات ميدانية كل 30 دقيقة لمدة ست ساعات في كل مرة، مكوّنين 13 نقطة بيانات لكل مبرد. في كل تجربة، سجّلوا الإشعاع الشمسي، وسرعة الرياح، ودرجة حرارة الهواء، ودرجات حرارة سطح اللوحة في مواقع متعددة، ودرجات حرارة مداخل ومخارج السائل، والجهد الكهربائي والتيار من كل من اللوحة المبردة وغير المبردة. ومن هذه القياسات حسبوا مقدار التحسّن في كفاءة اللوحة الكهربائية بفضل نظام التبريد.

تعليم الخوارزميات لتأدية دور التجارب

نظرًا لأن تكرار اختبارات كاملة في الهواء الطلق لكل سائل مبرد جديد أو حالة تشغيل يستغرق وقتًا ويحتاج جهدًا، درّب المؤلفون نماذج حاسوبية لتعلّم العلاقة بين الظروف المقاسة والكفاءة الناتجة للتبريد. جرّبوا عدة أساليب بسيطة نسبيًا — انحدار بايزي ريدج، وانحدار آلات المتجهات الداعمة، والغابات العشوائية — إلى جانب نموذج هجين متقدّم للتعلم العميق يجمع بين الشبكات العصبية التفافية (CNN) ووحدات الذاكرة الطويلة القصيرة (LSTM). تعاملت النماذج "الضحلة" الأبسط مع كل لقطة قياس بمفردها، بينما نظر نموذج CNN+LSTM أيضًا إلى كيفية تغير القيم عبر الزمن، ملتقطًا التقلبات قصيرة الأمد في ضوء الشمس ودرجات الحرارة.

ما تعلمته النماذج عن أداء التبريد

عبر جميع السوائل السبعة، قدم انحدار بايزي ريدج توقعات دقيقة بشكل متسق، مع أخطاء صغيرة فقط بين الكفاءات المتوقعة والمقاسة ودرجات اتفاق عالية. دفع النموذج الهجين CNN+LSTM الدقة إلى الأمام أكثر لبعض المواد، محققًا مستويات خطأ منخفضة جدًا وشارحًا تقريبًا كل التباين في أداء التبريد. لفتح هذه النماذج "صندوق أسود"، طبّق الباحثون تقنية تسمى SHAP، التي تقيم مدى تأثير كل عامل مدخل على التنبؤ. أظهرت هذه التحليلات أن درجة الحرارة المحيطة، والإشعاع الشمسي، والأداء الكهربائي للوحة المُبرَّدة نفسها (الجهد والتيار) كانت العوامل الرئيسية التي تقود كفاءة التبريد، بينما كانت سرعة الرياح وبعض قياسات درجة حرارة السطح التفصيلية تساهم بدرجة أقل بكثير.

ماذا يعني هذا لأنظمة الطاقة الشمسية المستقبلية

بعبارات بسيطة، تُظهر الدراسة أن نماذج تعلم الآلة المُختارة جيدًا يمكنها التنبؤ بثقة بمدى الفائدة التي ستحصل عليها من تبريد لوح شمسي بالماء أو بالسوائل النانوية، باستخدام كمية معقولة فقط من البيانات التجريبية. بدلاً من إجراء اختبارات كاملة جديدة في الهواء الطلق في كل مرة يتغير فيها تركيب المبرد أو تركيزه أو نمط الطقس، يمكن للمهندسين الاعتماد على هذه النماذج المدروبة لاستكشاف سيناريوهات "ماذا لو" في ثوانٍ. كما تبرز الدراسة أن بعض القياسات الأساسية — مدى حرارة اليوم، وشدة ضوء الشمس، وكيفية أداء اللوحة المبردة كهربائيًا — تحمل معظم المعلومات اللازمة. وفي حين يشير المؤلفون إلى أن هناك حاجة إلى مجموعات بيانات أكبر وأكثر تنوعًا قبل تطبيق هذه الأدوات في كل الأماكن وعلى كل المقاييس، تشير نتائجهم إلى تصميم وتشغيل أذكى للألواح المبردة، واستخراج المزيد من الكهرباء النظيفة من نفس ضوء الشمس.

الاستشهاد: Özdemir, Y., Ziyadanoğulları, N.B., Bakış, E. et al. Comparative analysis of shallow and hybrid deep learning models for predicting the cooling efficiency of nanofluid-cooled photovoltaic panel across multiple materials. Sci Rep 16, 9216 (2026). https://doi.org/10.1038/s41598-026-40129-x

الكلمات المفتاحية: تبريد الألواح الشمسية, السوائل النانوية, كفاءة الخلايا الضوئية, تعلم الآلة, التعلم العميق