חיזוי נקבוביות בכלי לחץ מכל־סוג פחמנים באמצעות AI קוגניטיבי מטושטש משופר ופרמטרי תהליך ייצור

למה בועיות זעירות חשובות במיכלי מימן

מיכלי מימן בלחץ גבוה הם עמוד שדרה של תנועתיות נקייה בעתיד, מכלי רכב עם תאי דלק ועד אחסון תעשייתי. כלי אלה חייבים להיות חזקים אך קלי משקל, ולכן הם בנויים משכבות של סיבים פחמניים מרוכבים שמסובבים סביב ציפוי פולימרי. בתוך שכבות אלה עלולות להיווצר חללים זעירים — נקבוביות. יותר מדי נקבוביות, או הופעתן במקומות קריטיים, עלולות לגרום לכשל של מיכל שאמור להחזיק שנים. מחקר זה בוחן כיצד צורת בינה מלאכותית ניתנת לפרשנות יכולה ללמוד מנתוני מפעל אמיתיים כדי לחזות כמה נקבוביות יופיעו במיכל, ואילו שלבי תהליך גלגול משפיעים הכי הרבה על שליטתן.

בניית מעטפת מימן בטוחה יותר

המיכלים הנבדקים בעבודה זו הם מה שמכונה מכלי מימן טיפוס IV, הנמצאים בשימוש ברכבים ובמערכות נייחות. הם מורכבים מציפוי פולימרי שמקיף אותו שכבות רבות של סיבים פחמניים הרווים בשרף, תהליך המכונה גלגול פילמנט רטוב. במהלך הגלגול ניתן לכוון עשרות פרמטרים: כמה חזק נמשכת סליל הסיבים, מהירות סיבוב המנדראל הפנימי, הזווית שבה הסיבים חוצים את המשטח, קצב הצמדת השכבות וכמות השרף שמפזרת להב מתכת קטן על הסיבים. תקני הסמכה מאפשרים רמת נקבוביות מסוימת, אך חללים מיותרים מחלישים את המבנה ומסכנים את הבטיחות. מאחר שהאינטראקציה הפיזיקלית בין כל הגורמים מורכבת מאוד, המחברים פנו למודלים מונחי־נתונים במקום לנסות לגזור משוואת פיזיקה מלאה.

בינה מלאכותית שקופה למערכות בסיכון גבוה

רגולציות אירופיות מסווגות החלטות לגבי בטיחות מיכלי מימן כשימושי AI בסיכון גבוה. משמעות הדבר היא שמודלים אינם יכולים להיות תיבות שחורות: מהנדסים ומפקחים חייבים להבין כיצד נעשות התחזיות. שיטות כגון רשתות עמוקות או אנתולוגיות עצומות של עצי החלטה יכולות להיות מדויקות, אך הלוגיקה הפנימית שלהן היא למעשה אטומה. לכן המחברים השתמשו ב‑XTRACTIS, מה שמכונה AI קוגניטיבי מטושטש משופר. במקום להסתיר את נימוקיו, XTRACTIS בונה באופן אוטומטי קבוצות של כללי IF…THEN קריאים לבני אדם שמקשרים משתני תהליך נבחרים לתוצאות. הוא גם מדרג עד כמה המודל פשוט או מורכב, ומעדיף גרסאות התלויות בפחות קלטים וכללים ובכל זאת מנבאות היטב.

מאיסוף מפעל לכללים שנלמדו

איסוף נתונים על מיכלים אמיתיים יקר, כי כל מכל בקנה מידה מלא עולה כמה אלפי אירו ויש לסרוקו בטומוגרפיה רנטגנית תלת־ממדית. לכן המחקר עבד עם 12 מיכלים בלבד, מחולקים ל‑180 שכבות גלגול נפרדות. עבור כל שכבה היו זמינים 58 מנבאים פוטנציאליים שמתארים מתחים, מהירויות, זוויות, שליטה בשרף ובחירות עיצוב אחרות, לצד נקבוביות הנמדדות בטומוגרפיה. הצוות התמקד בחיזוי הלוגריתם של מספר הנקבים במקום הספירה הגולמית, מה שממתן ערכים קיצוניים. XTRACTIS חקר אלפי תצורות מודל והשתמש באסטרטגיית אימות צולב קפדנית — אימון ובדיקה חוזרים על חלוקות שונות של הנתונים כדי למנוע התאמה יתרה. לאחר מכן דלל את אנצמבל המודלים הטוב ביותר לכלל "מומחה וירטואלי" פשוט ומבוסס כללים. על שכבות מבחן שלא נראו קודם, המומחה שיחזר את ספירות הנקבים בדיוק טוב, עם שגיאות חיזוי מתחת לכ‑8 אחוזים וקורלציה חזקה בין הערכים החזויים לנצפים.

מה המודל חושף לגבי ייצור מיכלים טובים יותר

מכיוון שהמודל הסופי מבוטא כקבוצת כללי IF…THEN מטושטשת וקטנה, ניתן לקרוא את התנהגותו כמעט כהנחיות הנדסיות. הכללים מראים ששמירה על מתחים אחידים של הסיבים ובטווח בריא היא קריטית: כשיש שונות גבוהה במתחים בין סלילי סיבים, אזורים מסוימים נהיים רפויים ואחרים מתוחים מדי, מה שיוצר תנאים להיווצרות חללים נוספים. מהירות סיבוב המנדראל וזווית הגלגול משפיעות יחד על צפיפות ועימוד הסיבים; מהירות נמוכה מדי וזווית שטוחה מדי מקנות דחיסה והפצת שרף לקויה. אלמנט מרכזי נוסף הוא שליטה בשרף דרך להב הדוקטור ונפח הכולל של כל שכבה. זרימת שרף מכווננת היטב מונעת גם אזורי סיבים יבשים וגם כיסי שרף עשירים, שכל אחד מהם מקדם היווצרות בועיות. המודל גם מציע שסלילים קטנים ויציבים יותר עשויים לסייע בשמירה על מתחים יציבים ולהקטין את הנקבוביות.

מגבלות הנתונים ולימודים לבקרת איכות

החוקרים ניסו גם לאמן מודלים לסווג כל שכבה לקבוצת קצב נקבוביות נמוך לעומת בינוני/גבוה, מדד שנמצא בשימוש על רצפת הייצור. הן XTRACTIS והן אלגוריתם בוסטד‑טרי אטום ביצעו גרוע על נתונים חדשים באמת במשימה זו. בדיקות מאוחרות חשפו שתוויות שיעור הנקבוביות עצמן היו רעישותיות, שכן כל הנקבים הונחו ככדורים והשתייכו לשכבות באופן אוטומטי בפשטות יתרה. תיוג שגוי זה כנראה הטשטש את הגבול בין הקטגוריות. הניגוד לימודי: שם שערכי היעד אמינים, AI שקוף יכול להצליח אפילו עם נתונים מוגבלים; שם התוויות מפוקפקות, אין אלגוריתם שיצילן. בסך הכל, המחקר מראה שמודלים מבוססי כללים מטושטשים וניתנים לפרשנות יכולים הן להנחות מהנדסים לכיווני הגדרות תהליך בטוחות יותר והן להצביע על נקודות תורפה במדידות ובהכנת הנתונים.

נתיב ברור יותר לאחסון מימן בטוח יותר

במילים פשוטות, עבודה זו מדגימה שמערכת AI מוסברת יכולה ללמוד מכמות צנועה של נתוני מפעל לחזות כמה חללים מיקרוסקופיים יווצרו בתוך מעטפת מרוכבת של מיכל מימן, ולזהות אילו כוונונים בקו הייצור חשובים ביותר. הכללים הנובעים מתרגמים מתמטיקה מורכבת להמלצות תהליך ברות־הבנה: לשמור על מתחים אחידים של סיבים, לבחור מהירויות וזוויות גלגול מתאימות ולבקר בקפידה את זרימת השרף ונפח השכבות. אף שיידרשו נתונים נוספים ואיכותיים יותר כדי לחדד את התובנות ולאמתן על מיכלים חדשים, הגישה מציעה מתווה מבטיח לשיפור בטיחות אחסון המימן — לא כדי להחליף מהנדסים, אלא כדי לספק להם שותף שקוף שהופך מדידות מפוזרות להבנה שניתנת לפעולה.

ציטוט: Achour, L., Zalila, Z., Aboura, Z. et al. Predicting porosity in composite high-pressure hydrogen vessels using augmented fuzzy cognitive AI and manufacturing process parameters. Sci Rep 16, 9894 (2026). https://doi.org/10.1038/s41598-026-38447-1

מילות מפתח: אחסון מימן, חומרים מרוכבים, פגמים בתהליך הייצור, בינה מלאכותית מנותחת, גלגול פילמנט