إطار هجين متقدّم 3DCNN-SGAN لتحليل خلطات الغازات بدقة عالية باستخدام مصفوفات المستشعرات

لماذا يهم تحسين استشعار الغازات

الغازات غير المرئية في الهواء من حولنا قد تشير إلى كل شيء، من تسرب غاز في مصنع إلى علامات مبكرة للأمراض في زفير الإنسان. ومع ذلك، في الواقع نادراً ما تظهر هذه الغازات بمفردها؛ فهي تأتي كخلائط معقّدة يصعب تفكيكها. يقدم هذا البحث إطار عمل جديداً بالذكاء الاصطناعي يساعد «الأنوف» الإلكترونية على قراءة هذه الخلطات المعقّدة بدقة أعلى بكثير، حتى عند توفر كمية صغيرة فقط من البيانات الموسومة للتدريب. قد يحسّن هذا التقدّم مراقبة جودة الهواء، وأنظمة السلامة الصناعية، والتشخيص الطبي.

من أنوف بسيطة إلى أنوف ذكية

تحاول أنظمة الأنف الإلكتروني تقليد حاسة الشم لدينا باستخدام مصفوفات من المستشعرات الدقيقة للغازات. يتفاعل كل مستشعر بشكل مختلف مع المواد الكيميائية في الهواء، ومعاً تُنتج استجاباتهم المتجمّعة نوعاً من «نمط الرائحة». في الممارسة العملية، مع ذلك، تكافح أنظمة الأنف الإلكتروني الحالية عندما تتواجد غازات متعددة في نفس الوقت. الغازات المتشابهة قد تثير استجابات متداخلة، وقد يستجيب نفس المستشعر لعدة مواد. أدوات التعلم الآلي التقليدية مثل آلات الدعم الناقل أو الشبكات العصبية البسيطة يمكنها تمييز بعض الأنماط، لكنها غالباً ما تتعثر عندما تكون الإشارات ضوضائية أو الخلطات معقّدة أو كمية البيانات الموسومة محدودة. ونتيجة لذلك، لا تزال العديد من أجهزة الأنف الإلكتروني التجارية أقل موثوقية أو متانة مقارنة بأنظمة الصور أو الصوت.

تعليم الآلات قراءة الفضاء والزمن

يتعامل المؤلفون مع هذه النقائص بدمج فكرتين قويتين في الذكاء الاصطناعي. الأولى هي شبكة عصبية التلافيف ثلاثية الأبعاد، أو 3D‑CNN. بدلاً من تسطيح قراءات المستشعرات إلى جدول بسيط، تتعامل هذه الشبكة معها ككتلة صغيرة تتغير عبر المستشعرات، ومع مرور الزمن، وفي شدة الإشارة. عن طريق تمرير مرشحات ثلاثية الأبعاد عبر هذه الكتلة، يتعلم النموذج كيف تتغير خلطات الغازات عبر مصفوفة المستشعرات ومع الزمن. هذا يلتقط أنماطاً دقيقة تتطور زمنياً وتفوت عند ضغط البيانات إلى بعدين، مثل كيفية ارتفاع وهبوط غازات مختلفة معاً أو المدة التي يستغرقها كل مستشعر للاستجابة والانتعاش.

الاستفادة القصوى من التسميات النادرة

الفكرة الثانية هي شبكة تنافسية توليدية شبه‑مراقَبة. في هذا التصميم، يتعلم جزء من النموذج إنشاء أنماط مستشعرية تركيبية واقعية تشبه خلطات الغازات الحقيقية، بينما يتعلّم جزء آخر التفريق بين الحقيقي والمزيف وتصنيف أنواع الغازات وتقدير تراكيزها. من خلال تدريب هذين المكونين في وضعية تنافسية، يضيف النظام تدريجياً وضوحاً أكبر لفهمه لما تبدو عليه الخلطات الواقعية. والأهم من ذلك، أن هذا التكوين يمكنه استخدام كل من البيانات الموسومة وغير الموسومة: العينات الموسومة تعلمه هويات الغازات والتراكيز الصحيحة، بينما تساعد العينات غير الموسومة والتركيبية في ترسيم حدود أوضح بين أنواع الخلطات. هذا يسمح للنموذج بالتعميم جيداً حتى عندما يكون جزء بسيط فقط من البيانات معلمّاً بعناية.

اختبار الأنف الجديد

لتقييم الإطار، استخدم الباحثون مجموعة بيانات عامة مدروسة على نطاق واسع جُمعت من مصفوفة مكوّنة من 16 مستشعر أكسيد معدني تجاري تعرضت لخلطات من الإيثيلين مع إما أول أكسيد الكربون أو الميثان. تم تغيير الغازات بشكل مستمر على مدى ساعات تحت ظروف مختبرية مضبوطة، مما أنتج ملايين القياسات المؤرشفة زمنياً. أعاد الفريق تشكيل هذه الإشارات الخام إلى كتل ثلاثية الأبعاد ودرب نظامهم الهجين 3D‑CNN–GAN للتعرف على الخلطة الموجودة وتقدير تركيز كل غاز. عبر عدة انقسامات تدريب‑اختبار والتحقق المتقاطع بخمس طيات، حقق الأسلوب دقة تصنيف تقارب 99 في المئة، متفوقاً على الأساليب التقليدية مثل آلات الدعم الناقل، وجيران k‑الأقرب، والشبكات العصبية الضحلة بفارق يصل إلى سبع نقاط مئوية. أظهرت التصورات للمجال الميزاتي المتعلم أن أنواع الخلطات التي كانت تتداخل سابقاً شكلت الآن عناقيد ضيقة ومفصولة جيداً.

ما الذي يعنيه هذا لهواءنا اليومي

بعبارات بسيطة، تُظهر الدراسة أن تعليم الأنف الإلكتروني على فهم كيفية تطور إشارات المستشعرات في الفضاء والزمن، والسماح له بـ«تخيل» أمثلة إضافية واقعية، يجعل قدرته على تفكيك خلطات الغازات المعقّدة أفضل بكثير. بينما تم عرض العمل في بيئة مختبرية مضبوطة ولا يزال يواجه تحديات مثل شيخوخة المستشعرات وتغير الظروف البيئية، فإنه يشير إلى أدوات مراقبة غازات أكثر دقة وكفاءة في استخدام البيانات. مثل هذه الأنظمة قد تعزز في نهاية المطاف السلامة الصناعية، وتحسن مراقبة جودة الهواء في المدن، وتدعم اختبارات طبية تعتمد على تحليل الزفير، وذلك بمنح الآلات حاسة شم أكثر حدة وموثوقية.

الاستشهاد: Ansari, G., Singh, R., Kumar, S. et al. Advanced hybrid 3DCNN-SGAN framework for high-precision gas mixture analysis with sensor arrays. Sci Rep 16, 12141 (2026). https://doi.org/10.1038/s41598-026-41434-1

الكلمات المفتاحية: الأنف الإلكتروني, استشعار خلطات الغازات, التعلّم العميق, الشبكات العصبية الالتفافية, الشبكات التوليدية التنافسية