التنبؤ متعدد المراحل المعتمد على التعلم العميق وتحسين الجدولة لأنظمة طاقة المحول

تحويل الحرارة المهدورة إلى طاقة مفيدة

في كل مرة تُصنع دفعة من الصلب، يتدفق نهر غير مرئي من البخار الحار من المحولات حيث يُنقّى المعدن المنصهر. يمكن التقاط معظم هذا البخار وتحويله إلى حرارة أو كهرباء، مما يوفر الوقود ويخفض التكاليف. لكن إنتاج البخار يتقلب بشكل غير متوقع أثناء العملية، ما يصعّب على المصانع التخطيط لكمية البخار القابلة لإعادة الاستخدام. تعرض هذه الورقة طريقة جديدة للتنبؤ بتلك طفرات البخار بدقة أكبر، من خلال الجمع بين التخطيط طويل المدى والمراقبة بالزمن الفعلي بحيث يتمكن صانعو الصلب من استخراج مزيد من الطاقة مما ينتجون بالفعل.

لماذا يخطر البخار بالمصنع الصلب

صناعة الصلب في الصين وحدها تنتج أكثر من نصف خام الصلب في العالم، ويشكل البخار نحو عُشر إجمالي استهلاك الطاقة في المصنع النموذجي. في صناعة الصلب الحديثة بالمحول، يُنفخ الأكسجين إلى وعاء ضخم من الحديد المنصهر، فتندلع تفاعلات قوية تطلق حرارة هائلة. يمتص الماء المتداول في جدران الأفران وأنظمة تبريد الغازات تلك الحرارة ويتحول إلى بخار يمكن توجيهه إلى توربينات لتوليد الكهرباء، أو استخدامه لتدفئة المباني والمعدات. كلما صار من الممكن التنبؤ بهذا البخار واسترداده بشكل أكثر موثوقية، قلّ حاجز المصنع لشراء وحرق الوقود، وانخفضت تكاليف التشغيل والانبعاثات.

لماذا يصعب التنبؤ بالبخار

في الواقع، إنتاج البخار بعيد عن الاستقرار. درجات الصلب المختلفة (منخفضة أو متوسطة أو عالية الكربون) تحترق بشدات مختلفة، مما يغيّر كمية البخار المنتجة. لكل محول خصائصه وأداءه المميز، وغالبًا ما تعمل المصانع بعدة محولات في وقت واحد. علاوة على ذلك، هناك أوضاع صهر مميزة—إزالة الكربون التقليدية، وإزالة الكربون المزدوجة، وإزالة الفسفور المزدوجة—لكل منها توقيتها ونمط البخار الخاص. يظهر معظم البخار خلال مرحلة نفخ الأكسجين، لكن حجم وشكل ذلك الذروة قد يختلفان اختلافًا كبيرًا من دفعة إلى أخرى. تتغير جداول الإنتاج أيضًا مع حالة المعدات وتوافر المواد، مما يجعل إيقاع إنتاج البخار غير منتظم إلى حد كبير.

جسر بين التخطيط والتشغيل في الزمن الحقيقي

حتى الآن، ركزت معظم جهود التنبؤ على مرحلة الإنتاج بالزمن الحقيقي، مستخدمة قراءات المستشعرات التاريخية لتوقع التغيرات قصيرة الأمد. تلك النماذج عادةً ما تتجاهل المعلومات المتاحة قبل بدء الدفعة، مثل درجة الصلب المخطط لها، ووزن الحديد المنصهر، أو مدة نفخ الأكسجين المتوقعة. يجادل المؤلفون بأنّ الحل الفعال يجب أن يعمل على مقياسين زمنيين في آن واحد. أولًا، نموذج مرحلة التخطيط ينظر إلى الأمام بحوالي ساعتين، مقدمًا تقديرات مجالية عن كمية البخار التي ستنتجها الدفعات القادمة. تساعد هذه التقديرات في وضع أهداف لشبكة البخار بالمصنع، وتحديد كيفية تخصيص التخزين المؤقت، وإعداد التوربينات وباقي المستهلكين.

خوارزميات ذكية لكل مرحلة

لتقديم تنبؤات مرحلة التخطيط، يقترن الفريق جهاز متجه الدعم—وهو طريقة تعلم آلي معروفة ومضغوطة نسبيًا—بخوارزمية تحسين محسّنة تُسمى "الرمح الأسود ذي الأجنحة". يبحث هذا المحسّن منهجيًا عن أفضل إعدادات داخلية لنموذج متجه الدعم، متجنبًا الضبط التجريبي الذي يؤدي أداءه عادةً مهندسو البشر. بتغذية بيانات تخطيط منخفضة البُعد مثل درجة الصلب، وزن الحديد، زمن الأكسجين، ومعرف المحول، يمكن للنموذج المضبوط أن يتنبأ بإجمالي بخار الدفعات القادمة بدقة تقارب 92%. بمجرد بدء الإنتاج، يتغير المشهد: تتدفق قراءات ترددية عالية لدرجات حرارة البخار، الضغط، مستويات السائل، وإشارات أخرى، وقد يقفز أو ينخفض تدفق البخار في غضون ثوانٍ. لهذه المرحلة، يقدم المؤلفون بنية تعلم عميق تُدعى DSC‑Transformer. تستخدم طبقة التلافيف القابلة للتكيّف مع الشكل لتتبع التقلبات المحلية السريعة، مدمجة مع وحدة Transformer التي تتقن فهم الأنماط طويلة المدى في بيانات السلاسل الزمنية.

من تدفقات البيانات إلى استخدام طاقة أفضل

في مرحلة الإنتاج، يستهلك DSC‑Transformer نوافذ زمنية متداولّة من بيانات المستشعرات ويخرج تنبؤات مفصّلة لتدفق البخار، محدثًا تقديرات التخطيط السابقة مع تغير الظروف. يمكن تكوين النموذج بطول نوافذ مختلفة—من بضعة ثوانٍ إلى دقيقتين—مما يسمح للمشغلين بالموازنة بين الحساسية فائق القِصَر والطمانينة الأطول أجلاً. مُختبرًا على بيانات مصنع حقيقية لمدة 50 يومًا تغطي 1,100 دفعة محول، بلغ النظام نحو 99% دقة تنبؤ في هذه المرحلة الثانية وتفوّق باستمرار على بدائل شائعة مثل شبكات الذاكرة طويلة وقصيرة الأمد (LSTM) وTransformers القياسية. معًا، يشكل نموذجا مرحلة التخطيط والإنتاج خط أنابيب تنبؤ مستمرًا يوافق البخار المتوقع من محولات متعددة مع سعة التخزين والاستهلاك لشبكة المصنع.

ماذا يعني هذا لمصانع الصلب

بالنسبة للقارئ العادي، الرسالة واضحة: من خلال تعلم كل من "الخطة البطيئة" و"نبض" تصنيع الصلب السريع، يساعد هذا النظام ثنائي المراحل للتنبؤ المصانع على التقاط واستخدام مزيد من البخار الذي تنتجه بالفعل. يوفر نموذج التخطيط إشعارًا مسبقًا بكمية البخار المتوقعة في الساعتين القادمتين تقريبًا، بينما يصحح النموذج في الزمن الحقيقي تلك الصورة ويُنمّقها ثانيةً بثانية أثناء تقدم كل دفعة. تتيح هذه الرؤية الموحّدة للمشغلين الحفاظ على تشغيل التوربينات والسخانات بسلاسة، وتجنب هدر البخار عند امتلاء التخزين، وتقليل الاعتماد على وقود إضافي. ونتيجة لذلك، يمكن لمصانع الصلب خفض فواتير الطاقة والانبعاثات دون تغيير عمليات الإنتاج الأساسية—فقط من خلال إدارة أذكى لمتى وكيف تستخدم حرارة النفايات الخاصة بها.

الاستشهاد: Hu, Y., Huang, B., Gao, C. et al. Integrated deep learning-driven multi-stage steam forecasting and scheduling optimization for converter energy systems. Sci Rep 16, 12252 (2026). https://doi.org/10.1038/s41598-026-42104-y

الكلمات المفتاحية: بخار تصنيع الحديد والصلب, كفاءة الطاقة الصناعية, تنبؤ السلاسل الزمنية, التعلم العميق في الصناعة, استرداد الحرارة المهدرة