السلوك المقارن لنموذج توربين البخار لتحليلات الأنظمة الكهربائية الديناميكية باستخدام تقنيات كسرية متعددة والشبكات العصبية الاصطناعية

لماذا يهم هذا للاستخدام اليومي للطاقة

لا تزال الكهرباء في العديد من محطات الطاقة تولد بواسطة توربينات بخارية—آلات تدور عندما يمر البخار عالي الضغط بجانب شفرات معدنية. مدى فهمنا لهذه التوربينات وقدرتنا على التحكم بها يؤثر على استهلاك الوقود، وأسعار الكهرباء، وحتى على مدى تكرار توقف المحطات للصيانة. تسأل هذه الدراسة سؤالاً بسيطاً لكنه مهمّاً: هل يمكننا بناء نماذج رياضية وحاسوبية أذكى لتوربينات البخار تلتقط سلوكها الحقيقي بشكل أدق، حتى تعمل المحطات بكفاءة وموثوقية أعلى؟

من غليان الماء إلى عمود الدوران

يحوّل توربين البخار الحرارة الموجودة في البخار إلى حركة دورانية تُشغّل المولد. في العديد من الدراسات الهندسية، تُمثَّل التوربينات بمعادلات بسيطة نسبياً تربط بين كمية البخار الداخلة والخارجة، وتغيرات الضغط، ومقدار الطاقة المنتجة. تفترض هذه النماذج التقليدية أن التوربين يتفاعل فورياً مع التغيرات، دون الكثير من «الذاكرة» لحالاته السابقة. يبدأ المؤلفون بإعادة النظر في معادلة معيارية تربط تغيرات كتلة البخار داخل التوربين بالتدفقات الداخلة والخارجة والضغط. وتُستخدم هذه العلاقة الأساسية لاحقاً كهيكل لتوصيفات أكثر تقدماً لكيفية استجابة التوربين عبر الزمن.

إضافة ذاكرة إلى رياضيات الآلة

تتفاعل المواد والتدفقات الحقيقية غالباً بطريقة تعتمد ليس فقط على الظروف الحالية، بل أيضاً على ما حدث قبل لحظات—مشابه لكيفية تبريد المقلاة الساخنة ببطء أكثر إذا تم تسخينها لفترة أطول. لالتقاط هذا النوع من الاعتماد على التاريخ، يلجأ الباحثون إلى مجموعة من الأدوات تُسمى التفاضل والتكامل الكسري. بدلاً من استخدام المشتقات العادية فقط، يعيدون صياغة معادلة التوربين بأربعة أنواع مختلفة من المشتقات الكسرية، كل واحدة تمثل طريقة مختلفة يمكن أن تؤثر بها الحالات السابقة على الحاضر. ولكل حالة، يستخرجون ما يُعرف بدوال الانتقال—صيغ تصف كيف يستجيب خرج التوربين لتغير في الدخل—باستخدام طريقتين تحويليتين قويتين تحولان المعادلات الزمنية إلى أشكال جبرية أكثر قابلية للتعامل.

تعليم شبكة عصبية لتقليد التوربين

المعادلات وحدها لا تروي القصة كاملة، خاصة حين تتوافر بيانات من توربين حقيقي. لذلك يبني الفريق شبكة عصبية اصطناعية—نموذج حاسوبي مستلهم بشكل فضفاض من ترابط الخلايا العصبية في الدماغ—لتتعلم كيف يعتمد خرج التوربين على عدة كميات رئيسية في آن واحد. تشمل هذه الضغوط البخارية، ومعدل التدفق، وزمن التشغيل، وكذلك المعاملات الكسرية و«الكسورية» التي تتحكم في شدة تأثيرات الذاكرة في النماذج الجديدة. باستخدام طريقة تدريب قياسية وقاعدة تنشيط شائعة، تُغذى الشبكة بمجموعة كبيرة من ظروف التشغيل والمخرجات المولّدة اصطناعياً. ثم تُدرّب وتُتحقق وتُختبر لمعرفة مدى جودة تنبؤها بنسبة خرج التوربين إلى الدخل، كمقياس للأداء الديناميكي.

ماذا تكشف المقارنات

مع وجود كل من المعادلات الكسرية والشبكة العصبية، يقارن المؤلفون كيف تتصرف خيارات النمذجة المختلفة عبر نطاق من الضغوط ومعدلات التدفق وأزمنة التشغيل. يجدون أنه عندما تكون قوة الذاكرة (المعامل الكسري) منخفضة، تميل استجابة التوربين إلى إظهار تذبذبات قوية—علامات على سلوك أقل استقراراً. ومع زيادة هذا المعامل، تصبح الاستجابة أكثر سلاسة واستقراراً. يمكن أن تضيف التعقيدات الهندسية الإضافية، التي يلتقطها معامل «كسوري»، تقلبات غير منتظمة عند ضغوط أعلى، مما يشير إلى ظروف قد يصعب فيها السيطرة على التوربين. إجمالاً، تعطي مجموعات معينة من المشغلين الكسريين وتقنيات التحويل استجابات أكثر ملاءمة واستقراراً مقارنة بالنموذج الكلاسيكي الخالي من الذاكرة.

تنبؤات أدق وصورة موحّدة

يعمل أداء الشبكة العصبية كاختبار واقع للرياضيات. تظل قياسات الخطأ بين القيم المتنبأ بها والقيم المستهدفة صغيرة جداً، وتتطابق المخرجات المتنبأ بها بشكل وثيق مع الأهداف عبر مجموعات بيانات التدريب والتحقق والاختبار. هذا يشير إلى أن الإطار المجمّع بين الكسري والشبكة العصبية قادر على تتبع سلوك التوربين بدقة عالية في العديد من سيناريوهات التشغيل. عندما تُعاد الأوامر الكسرية إلى قيمها العادية، تنهار جميع النماذج المتقدمة إلى الوصف الكلاسيكي للتوربين، مما يبيّن أن النهج الجديد يمثل امتداداً حقيقياً وليس بديلاً. ببساطة، تُظهر الدراسة أن منح نموذج التوربين «ذاكرة» والسماح لشبكة مدفوعة بالبيانات بضبطه يمكن أن يوفر لمشغلي محطات الطاقة أدوات أكثر موثوقية لاستخلاص كفاءة واستقرار إضافيين من الآلات القائمة.

الاستشهاد: Abro, K.A., Souayeh, B. & Flah, A. Comparative behavior of steam turbine model for dynamical power system analyses by means of multiple fractional and artificial neural network techniques. Sci Rep 16, 10882 (2026). https://doi.org/10.1038/s41598-026-45449-6

الكلمات المفتاحية: نمذجة توربين البخار, التفاضل والتكامل الكسري, الشبكات العصبية, ديناميكيات محطات الطاقة, كفاءة الطاقة