نمذجة الطوبولوجيا وتوقع كفاءة الطاقة للمبرّدات المتوازية بناءً على التعلم العميق

لماذا يهم التبريد الأذكى

خلف كل مركز بيانات ومصنع وسفينة كبيرة يوجد نظام تبريد يستهلك بصمت جزءًا كبيرًا من كهرباء العالم. تُشغّل العديد من المنشآت عدة مبرّدات متوازية للحفاظ على درجات حرارة آمنة للخوادم والآلات، لكن تغييرات بسيطة في كيفية توزيع هذه المبرّدات للحمل يمكن أن تهدر كميات كبيرة من الطاقة. تُظهر هذه الدراسة كيف يمكن لنوع جديد من الذكاء الاصطناعي أن "يرى" كلًا من تخطيط نظام التبريد وسلوكه المتغير عبر الزمن، بحيث يمكن للمشغلين التنبؤ باستهلاك الطاقة بدقة أكبر وتشغيل المبرّدات بكفاءة أكبر بكثير.

كيف تضيّع أنظمة التبريد الكبيرة الطاقة

تمثل محطات التبريد في الصناعة شريحة كبيرة من استهلاك الطاقة العالمي، ويمكن أن يضيع ما يصل إلى ثلث ذلك جراء التشغيل السيئ وتوزيع الأحمال. في مصنع نموذجي أو مركز بيانات، تعمل عدة مبرّدات ومضخات وأبراج تبريد معًا، مرتبطة بشبكة معقّدة من الأنابيب. عندما يبدأ مبرّد واحد أو يتوقف أو يغيّر حمله، يؤثر ذلك على التدفق والضغط في جميع أنحاء الشبكة، ما يغيّر بدوره مدى عمل بقية الأجهزة. قواعد التحكم التقليدية ونماذج التنبؤ البسيطة تتعامل مع كل مبرّد كما لو كان مستقلًا إلى حد كبير، لذا غالبًا ما تفوتها هذه الروابط الخفية وتكون ضعيفة الأداء عندما تتغير الظروف أو حالة المعدات.

تعليم نموذج لتتبّع الزمن والروابط

بنى الباحثون نموذجًا هجينًا للتعلم العميق يجمع فكرتين أساسيتين. الأولى هي نموذج تسلسلي يسمى LSTM، وهو جيد في كشف الأنماط في السلاسل الزمنية، مثل كيفية تغير السحب الكهربائي ودرجة حرارة الماء دقيقةً تلو الأخرى. الثانية هي نموذج قائم على الرسوم البيانية، GCN، الذي يعامل كل مبرّد ومضخة وبرج تبريد كعقدة في شبكة ويتعلّم كيف تؤثر هذه العقد على بعضها البعض عبر تخطيط الأنابيب الفيزيائي وتوزيع الحمولة الحالي. من خلال دمج هذين المنظورين، يستطيع النموذج تتبّع تاريخ كل جهاز والطريقة التي ترتبط بها كل الأجهزة معًا.

استخدام الفيزياء والتوائم الرقمية كمرشد

بدلاً من إدخال إشارات المستشعر الخام مباشرةً إلى الشبكة، يحول الفريق أولًا هذه الإشارات إلى كميات ذات معنى فيزيائي واضح، مثل قدرة التبريد لكل وحدة كهرباء وفعالية تبادل الحرارة. كما يضيفون حدًا للتنظيم (regularization) يدفع التنبؤات بلطف لاحترام قوانين الطاقة والتوازن الحراري الأساسية، ما يساعد على تجنّب قفزات غير واقعية حادة. ولتوسيع نطاق الحالات التي يراها النموذج، يقرّنون بيانات حقيقية من مركز بيانات كبير بآلاف الساعات من البيانات المُحاكة من توأم رقمي لمحطة التبريد. يتيح لهم هذا التوأم استكشاف تغيّر الأحمال والظروف الخارجية وحتى طرق مختلفة لربط المعدات التي قد تكون صعبة أو خطرة للاختبار في المحطة الحقيقية.

الاختبار على مراكز بيانات ومصانع وسفن

تَدَرَّب النموذج على نحو 128 مليون سجل تاريخي من مركز بيانات يضم خمسة مبرّدات طرد مركزي كبيرة ثم اختُبِر على بيانات جديدة. عند نافذة توقع مدتها 30 دقيقة، يخفض الخطأ التربيعي المتوسط في تنبؤات القدرة بنسبة 19.4 بالمئة ويقلّل خطأ النسبة المئوية بأكثر من نقطتين مقارنةً بأساس قوي من LSTM يتجاهل تخطيط الشبكة. يتحقق المؤلفون أيضًا من مدى انتقالية النهج إلى مصنع سيارات وإلى نظام التبريد المركزي لسفينة حاويات. مع ضبط محدود للمصنع وبدون إعادة تدريب على الإطلاق للسفينة، يظل النموذج يتفوق بوضوح على الأساليب التقليدية، ما يوضّح أن التمثيل المتعلّم لسلوك التبريد ليس مقصورًا على موقع واحد.

ماذا يعني هذا لتوفير الطاقة

من خلال الجمع بين معرفة كيفية ارتباط المعدات ببعضها، وكيفية سلوكها عبر الزمن، وكيف تقيدها قوانين الفيزياء، يمكن لنظام GCN–LSTM المقترح أن يتنبأ باستهلاك مبرّدات الطاقة بدقة وثبات عاليين، حتى عندما تتقادَم المعدات أو يتغير نمط التشغيل. تُمكّن هذه التنبؤات الأكثر موثوقية برمجيات التحكم من اختيار استراتيجيات توزيع حمل أفضل، ما يبدّل العمل بين المبرّدات للحفاظ على الراحة وسعة التبريد مع استهلاك كهرباء أقل. عمليًا، يشير هذا النهج إلى طريقة جديدة وقابلة للنقل لخفض هدر الطاقة في أنظمة التبريد الكبيرة عبر مراكز البيانات والمصانع والسفن من دون إعادة بناء الأجهزة.

الاستشهاد: Liu, Y., Yang, X., Zhang, L. et al. Topology modeling and energy efficiency prediction of parallel chillers based on deep learning. Sci Rep 16, 15813 (2026). https://doi.org/10.1038/s41598-026-47180-8

الكلمات المفتاحية: كفاءة طاقة المبرّد, التعلم العميق, الشبكة العصبية الرسومية, التبريد الصناعي, التحكم الذكي