إطار صنع قرار آلي لانبعاثات ثاني أكسيد الكربون للمركبات الحديثة باستخدام بيانات تليمترية متعددة الوسائط وقابلية تفسير السمات

لماذا تهم تنبؤات السيارات الأنظف

تُعد السيارات والشاحنات من أكبر المصادر المسببة لثاني أكسيد الكربون المُسهم في الاحترار المناخي، ومع ذلك من الصعب بشكل مفاجئ تحديد كمية الانبعاثات التي ستصدرها مركبة معيّنة على الطريق بدقة. يقدم هذا البحث طريقة جديدة للتنبؤ بتلك الانبعاثات بدقة أكبر بكثير عن طريق التعلم من كميات كبيرة من بيانات المركبات الحقيقية. يمكن لأدوات التنبؤ الأفضل أن تساعد مخططي المدن على تصميم أنظمة نقل أنظف، وصانعي السيارات على بناء مركبات أقل انبعاثًا للكربون، والحكومات على صياغة سياسات تتوافق فعلاً مع ما يخرج من العادم أثناء القيادة اليومية.

نظرة تحت غطاء السيارات الحقيقية

بدأ الباحثون بمجموعة بيانات غنية من حكومة كندا شملت أكثر من سبعة آلاف مركبة على مدار سبع سنوات. لكل مركبة كانت لديهم خصائص أساسية—مثل حجم المحرك، وعدد الأسطوانات، ونوع الوقود، وناقل الحركة—إلى جانب مقدار الوقود المستخدم في القيادة داخل المدينة وعلى الطريق السريع وفي القيادة المختلطة، بالإضافة إلى كمية ثاني أكسيد الكربون المنبعثة لكل كيلومتر. باستخدام أدوات إحصائية، فرّقوا أولاً أي من هذه الخصائص هي الأهم فعلاً. وجدوا أن مقدار الوقود الذي تستهلكه المركبة في القيادة المختلطة، والمقياس المرتبط بكفاءة الوقود، هما أقوى دلائل على الانبعاثات بفارق كبير. يأتي حجم المحرك واستهلاك الوقود داخل المدينة في المرتبة التالية، بينما يضيف استهلاك الوقود على الطريق السريع وعدد الأسطوانات معلومات إضافية نسبياً أقل.

تعليم عقل رقمي لقراءة إشارات المحرك

لتحويل هذه الدلائل إلى تنبؤات دقيقة، استخدم الفريق نوعًا من الشبكات العصبية الاصطناعية يُعرف بالشبكة متعددة الطبقات (multi-layer perceptron). هذا "العقل" الرياضي المرن يتعلّم الأنماط عن طريق تعديل العديد من الروابط الداخلية. ومع ذلك فإن اختيار أفضل هيكل لهذا العقل—عدد الطبقات، وعدد الوحدات في كل منها، وسرعة التعلم—قد يكون عملية تجريبية. بدلاً من الاعتماد على طرق البحث المحلية التقليدية التي قد تعلق في حلول متوسطة، لجأ المؤلفون إلى استراتيجيتين للبحث مستلهمتين من الطبيعة مسماتين على شاكلة سلاحف المدرع والوزوغ الصحراوي. تستكشف هذه الطرق العديد من تصاميم الشبكات المرشحة في آن واحد، وتدفعها نحو أداء أفضل تمامًا كما تستكشف الحيوانات وتُحسّن طرق بحثها عن الطعام.

ضبط مستوحى من الطبيعة لتنبؤات أكثر دقة

تلعب طريقتا البحث المستلهمتان من الحيوانات أدوارًا مختلفة. المنهج المستند إلى المدرع يجوب المساحة على نطاق واسع في البداية، مفحصًا منظر الإعدادات الممكنة للشبكة، بينما تغوص طريقة الوزوغ لتقريب التفاصيل وصقل الخيارات الواعدة. عند استخدامها لضبط الشبكة العصبية، حسّنت كلتا الاستراتيجيتين الأداء مقارنة بالإعدادات التقليدية وبالمقارنة مع أدوات تعلم آلي شائعة أخرى مثل الأشجار المعززة، والغابات العشوائية، وآلات ناقل الدعم. جمع النموذج المتميز بين شبكة عصبية ثلاثية الطبقات وُضبطت بواسطة محسن على طراز المدرع. طابقت هذه التركيبة الانبعاثات المقاسة عن قرب إلى درجة أنها فسرت تقريبًا كل تباينها، مع خطأ متوسط صغير—مستوى دقة مناسب للتخطيط الجدي وصنع السياسات.

فتح الصندوق الأسود للنموذج

الدقة العالية وحدها لا تكفي إذا لم يستطع صانعو القرار رؤية ما يقود الأرقام. للحفاظ على شفافية النظام، اقترن النموذج بتقنيات تفسير حديثة تتتبع المدخلات التي تدفع التنبؤات للأعلى أو للأسفل. أبرزت أداةان تكميليتان كيف تشكّل كل ميزة—مثل استهلاك الوقود المختلط، واستهلاك الوقود داخل المدينة، وحجم المحرك، ونوع الوقود—تقدير الانبعاث النهائي. أكدت هذه التحليلات أن استهلاك الوقود المختلط وحجم المحرك يهيمنان على الصورة، ويشكلان معًا أكثر من نصف القدرة التفسيرية للنموذج، وكشفت كيف ترتفع الانبعاثات بطرق غير خطية مع ازدياد هذه القيم. من خلال التوافق مع التوقعات الفيزيائية الأساسية—أن المحركات الأكبر والأكثر تعطشًا للوقود تطلق المزيد من الانبعاثات—تساعد التفسيرات في بناء ثقة في توصيات النموذج.

من التنبؤات الأذكى إلى شوارع أنظف

بعبارات بسيطة، يوضح هذا العمل أن إدخال بيانات تفصيلية عن المحرك واستهلاك الوقود إلى "عقل" رقمي مضبوط بعناية يمكن أن ينتج تنبؤات دقيقة للغاية حول كمية ثاني أكسيد الكربون التي ستنبعث من المركبات. الرسالة الأقوى بسيطة: المركبات التي تحرق المزيد من الوقود في القيادة المختلطة اليومية، وخصوصًا تلك ذات المحركات الأكبر، هي الجناة الرئيسيون. وبما أن النموذج قوي وقابل للتفسير في الوقت ذاته، فيمكن أن يكون أداة مساعدة لاتخاذ القرار عند تصميم سيارات أنظف، وإدارة الأساطيل، والتخطيط لشبكات نقل منخفضة الكربون. ومع توسع أدوات مماثلة لاستخدام بيانات الوقت الحقيقي وقواعد هندسية فيزيائية، يمكن أن تصبح جزءًا أساسيًا من الجهود المبنية على الأدلة لخفض تلوث المناخ من طرق العالم.

الاستشهاد: Saraswat, S.K., Abdullah, M., Habelalmateen, M.I. et al. An automated decision making framework for modern vehicles CO₂ emissions using multi modal engine telemetry and feature interpretability. Sci Rep 16, 12570 (2026). https://doi.org/10.1038/s41598-026-42137-3

الكلمات المفتاحية: انبعاثات CO2 للمركبات, نماذج التعلم الآلي, تليمترية المحرك, خفض انبعاثات النقل, أنظمة النقل الذكية