تقييم خوارزمية تحسين مرض فيروس كورونا المعدّلة لتقدير معلمات خلايا الوقود ذات غشاء تبادل البروتونات

طاقة أذكى من أجل مستقبل أنظف

بينما يبحث العالم عن طرق أنظف لتشغيل السيارات والمنازل والأجهزة، تبرز خلايا الوقود لأنها تحول الهيدروجين إلى كهرباء بصمت تقريباً ودون تلوث محلي يذكر. لكن تحقيق أقصى استفادة من هذه الأجهزة يتطلب معرفة مجموعة من الإعدادات الخفية داخل كل خلية وقود. تقدم هذه الدراسة طريقة بحث ذكية جديدة قادرة على كشف تلك الإعدادات الخفية بدقّة وسرعة أكبر، مما يساعد المهندسين على تصميم أنظمة أكثر كفاءة ويمهد الطريق لتوأمات رقمية وتحكم أفضل في المركبات العاملة بخلايا الوقود.

لماذا تتطلب خلايا الوقود ضبطاً دقيقاً

تعد خلايا الوقود ذات غشاء تبادل البروتون، أو خلايا PEM، واعدة للاستخدام في محطات الطاقة الثابتة وحتى في الحواسيب المحمولة والسيارات الكهربائية. داخل كل خلية تتفاعل التفاعلات الكيميائية والحرارة والماء والكهرباء بطرق معقدة. نادراً ما تنشر الشركات المصنعة جميع المعلمات التفصيلية التي تصف هذا السلوك، مثل مدى سرعة بدء التفاعلات، وما مقدار الجهد المفقود في الغشاء، أو كيفية انتشار الغازات داخل الخلية. ومع ذلك، فإن هذه الأرقام ضرورية للتنبؤ بأداء الخلية تحت أحمال ودرجات حرارة مختلفة، وللكشف المبكر عن الأعطال، وتصميم المتحكمات التي تحافظ على كفاءة وأمان النظام. ويتطلب إيجادها تعديل النموذج مراراً حتى تتطابق منحنيات الجهد-تيار مع القياسات الحقيقية بأقرب شكل ممكن.

بحث مستوحى من الطبيعة للحصول على إجابات أفضل

نظراً لأن فضاء البحث لهذه الإعدادات الخفية كبير ومعقد، يلجأ الباحثون غالباً إلى خوارزميات ميتاهيرستيك، التي تحاكي عمليات طبيعية مثل أسراب الحيوانات، وصيد المفترسات، أو ظواهر فيزيائية مثل تكوّن الجليد. على مدى السنوات القليلة الماضية، اختُبرت العديد من هذه الطرق على نماذج خلايا الوقود، بما في ذلك متغيرات التطور التفاضلي، ومحسّنات مستوحاة من الفظّ والأرنب، وخوارزميات مستعصية على مستعمرة النمل، وحتى التعلم المعزز. تهدف هذه المناهج إلى تقليل الفجوة بين الجهود المقاسة والمحاكاة، عادةً معبراً عنها بمجموع مربعات الأخطاء. وعلى الرغم من أن بعضها يصل إلى حلول جيدة، إلا أنها غالباً ما تواجه صعوبة في موازنة الاستكشاف الشامل للإمكانات مع التحسين المركز، مما يعرضها للتقدم البطيء أو الوقوع في حلول محلية غير مرغوب فيها.

لمسة ذاكرة على طريقة مستوحاة من الفيروس

بنى المؤلفون عملهم على خوارزمية حديثة تُدعى خوارزمية تحسين مرض فيروس كورونا، التي تحاكي كيف يدخل الفيروس الخلايا ويتكاثر ويتحوّر. في شكلها الأصلي تستكشف هذه الطريقة جيداً لكنها تميل إلى التجوال دون توجيه قوي من أفضل الحلول المكتشفة حتى الآن. النسخة الجديدة، المسماة COVIDOA المعتمدة على الذاكرة، تضيف فكرتين. أولاً، تحتفظ بذاكرة للمرشحين المتفوقين وتسمح لهم بتوجيه بقية السكان، مما يؤدي تدريجياً من استكشاف واسع في المراحل الأولى إلى ضبط دقيق حول أقوى الحلول لاحقاً. ثانياً، تُدخل استراتيجية استكشاف عشوائية يمكن أن تخرج النظام من الفخاخ عندما تبدأ جميع المرشحين في التشابه الشديد. معاً، تهدف هذه التغييرات إلى تحسين كل من السرعة والدقّة مع الحفاظ على التنوع في البحث.

كيف أداء الطريقة الجديدة

قبل التعامل مع خلايا الوقود، اختبر الفريق الخوارزمية المعتمدة على الذاكرة على مجموعة معيارية من 12 تحدياً رياضياً صعباً، وقارنوها مع COVIDOA الأصلية وأربعة محسنّين مشهورين آخرين. عبر معظم هذه الاختبارات، قدّمت الطريقة الجديدة قيم هدف أقل، وتبايناً أصغر بين التشغيلات، وتقارباً أسرع. أكدت الفحوصات الإحصائية أن هذه التحسينات لم تكن نتيجة صدفة. ثم طبق الباحثون الطريقة على كومة خلايا وقود PEM حقيقية معروفة باسم NedStack PS6، حيث كان لابد من تحديد ست معلمات رئيسية لنموذج شبه تجريبي شائع ضمن حدود واقعية. كان الهدف هو مطابقة منحنى الجهد-التيار المقاس بتقليل مجموع مربعات الفروق بين جهود التنبؤ والقياس عبر 30 تكراراً مستقلاً لكل خوارزمية.

النتائج لبيانات خلية الوقود الحقيقية

على بيانات NedStack PS6، حققت الطريقة المعتمدة على الذاكرة أدنى قيمة خطأ، أفضل قليلاً من أفضل الطرق المنافسة، وبفروق أقل بين التشغيلات. أنتجت المعلمات الملائمة تنبؤات جهد تتبع القيم المقاسة عن كثب عبر نطاق واسع من التيارات. أظهرت رسوم التقارب أنه بينما يمكن للخوارزميات الأخرى أن تقترب في نهاية المطاف من حلول جيدة، فإن الطريقة الجديدة غالباً ما تستقر في منطقة ذات جودة عالية مبكراً، الأمر المهم للتطبيقات الحقيقية أو المضمنة ذات قدرة حوسبة محدودة. عزّزت مخططات الصندوق ومنحنيات الصلابة هذا التصور، كاشفةً عن موثوقية أعلى وسلوكاً أكثر اتساقاً من تشغيل لآخر مقارنةً بأساليب السرب والمستوحاة من الفيروس الأخرى.

ما يعنيه هذا لأنظمة الطاقة النظيفة

بعبارة بسيطة، تُظهر الدراسة أن نسخة أذكى مدعومة بالذاكرة من استراتيجية بحث مستوحاة من الفيروس يمكنها تحديد الإعدادات الخفية لنموذج خلية الوقود بدقّة وموثوقية أكثر من عدة منافسين راسخين. مع نماذج أفضل بين يديهم، يمكن للمهندسين بناء توائم رقمية تحاكي خلايا الوقود الحقيقية في البرمجيات، مما يتيح لهم اختبار استراتيجيات تحكم جديدة، والتنبؤ بالأداء، واكتشاف المشكلات دون تعريض الأجهزة للمخاطر. وعلى الرغم من أن هذا العمل ركز على كومة خلايا وقود محددة، فإن النهج عام ويمكن تطبيقه على أجهزة طاقة نظيفة أخرى والأنظمة المعقدة حيث يصعب قياس معلمات مهمة مباشرة.

الاستشهاد: Ismaeel, A.A.K., El-Rifaie, A.M., Hashim, F.A. et al. Assessment of a modified Coronavirus Disease Optimization Algorithm for Parameter Estimation of Proton Exchange Membrane Fuel Cells. Sci Rep 16, 15988 (2026). https://doi.org/10.1038/s41598-026-52533-4

الكلمات المفتاحية: خلية وقود غشاء تبادل البروتون, تقدير المعلمات, التحسين ميتاهيرستيك, التوأم الرقمي, أنظمة الطاقة النظيفة