Kapalı buz pistindeki soğutma yükü tahmini ve tahsis optimizasyonu üzerine araştırma: Çin örneği

Buz pistlerini soğuk tutmanın gerçekten neden önemli olduğu

Kapalı buz pistleri, insanlar kayarken, antrenman yaparken ve yarışırken bir buz tabakasını sabit tutmak zorunda oldukları için sıradan spor salonlarından çok daha fazla enerji tüketir. Halk rekreasyonu ve kış sporları için daha fazla buz arenası inşa edildikçe, bunların elektrik kullanımı ve iklim üzerindeki etkisi artar. Bu çalışma, bir buz pistinin birkaç saat içindeki ne kadar soğutma ihtiyacı olacağını tahmin ederek ve ardından bu işi birkaç soğutma makinesi arasında akıllıca paylaştırarak buzun iyi durumda tutulmasını daha az enerjiyle sağlamanın yollarını inceliyor.

Buz pistindeki soğukluğun itici güçleri

Bir buz tabakasını donuk tutmak, birçok yönden gelen ısıyı soğutma sistemiyle alınan soğukla dengelemeye benzer. Isı zeminden sızar, buzun üzerindeki daha sıcak havadan akar, bina kabuğu üzerinden güneş ışığı düşer ve buz yüzeyini tazelemek için kullanılan sıcak sudan ve kayanların vücut ısısından gelir. Yazarlar önce bu etkenleri listeleyip hangi faktörlerin soğutma talebiyle daha yakından hareket ettiğini görmek için gri ilişki analizi olarak adlandırılan istatistiksel bir yöntem kullanıyorlar. Pekin’deki büyük bir halka açık pist için en güçlü sürücüler, kaygan kişi sayısı, dış havanın nemi, binaya düşen yumuşak dağınık güneş ışığı miktarı ve dış hava sıcaklığı çıkıyor.

Bir bilgisayara soğutma ihtiyacını önceden görmeyi öğretmek

Bu etkiler gün içinde ve hafta boyunca artıp azaldığı için soğutma talebi basit bir doğru yerine karmaşık bir zaman deseni gösterir. Ekip, bu deseni geçmiş verilerden öğrenmesi için uzun kısa süreli hafıza ağı olarak bilinen bir tür derin öğrenme modeli eğitiyor. Önceki analizle seçilen en önemli faktörleri ve pistin kendi soğutma kullanımının yakın geçmişini modele veriyorlar. Model, sonraki değeri tahmin etmek için önceki 24 saate bakıyor; böylece günlük ritimleri ve daha fazla kayan geldiğinde ya da hava değiştiğinde görülen ani zirveleri yakalıyor.

Tahmin motorunu daha akıllı ve daha verimli kılmak

Araştırmacılar, hangi tasarım seçimlerinin en çok fayda sağladığını görmek için tahmin motorunun birkaç versiyonunu test ediyorlar. Öğrenme birimlerinin iki katmanlı olarak üst üste konması, modelin hem kısa süreli dalgalanmaları hem de daha uzun salınımları yakalama yeteneğini geliştiriyor. Günün saati, haftanın günü, tatiller ve etkinlik zamanları gibi basit takvim ipuçlarının eklenmesi, yüklerin ne zaman artma eğiliminde olduğunu kestirme konusunda modelin keskinliğini artırıyor. Buna karşılık, diğer derin ağlarda sıklıkla yardımcı olan batch normalization (toplu normalizasyon) adı verilen popüler bir eğitim hilesi, bu zamana bağlı görevde bir an ile bir sonraki an arasındaki hassas ilişkileri bulanıklaştırarak zararlı oluyor. Modelin en iyi versiyonu, daha basit bir tasarıma göre tahmin hatalarını yüzde onun üzerinde azaltıyor ve zamanı iyi işlemeyen geleneksel bir sinir ağını açıkça geride bırakıyor.

Soğutma makineleri arasında iş paylaşımı

Çoğu buz pisti, en kötü koşul ısı dalgası için boyutlandırılmış birkaç soğutma ünitesine dayanır, ancak bunlar genellikle kısmi güçte çalışır. Yükün nasıl paylaştırıldığı enerji kullanımında büyük fark yaratır; çünkü her makinenin en verimli çalıştığı bir aralık vardır. Kısa vadeli yük tahminlerini kullanarak, yazarlar her bir soğutucunun ne kadar çalışması gerektiğine karar veren matematiksel bir model kuruyorlar; böylece birlikte toplam elektrik kullanımını en aza indirerek soğutma ihtiyacını karşılıyorlar. Bu bulmacayı çözmek için, balina avlama davranışından esinlenen ve geniş keşif ile vaat eden bir çözüme odaklanma arasında geçiş yapan bir arama yöntemi uyguluyorlar.

Akıllı kontrol ne kadar enerji tasarrufu sağlar

Çalışma, bu balina tabanlı stratejiyi uygulamada kullanılan iki basit kuralla karşılaştırıyor: soğutucuları sabit bir sırayla açmak ve yükü tüm makineler arasında eşit bölmek. Düşük, orta ve yüksek soğutma talebi günlerinde, balina yaklaşımı vaka çalışması pistinde temel yöntemlere göre yaklaşık yüzde 6–8 civarında tasarruf sağlayarak sürekli en az enerji kullanan yöntem oluyor. Ayrıca genetik algoritmalar ve parçacık sürü optimizasyonu gibi iki başka iyi bilinen optimizasyon aracını da daha hızlı, daha az hesaplama adımıyla daha iyi çözümler bularak geride bırakıyor. Düşük yük dönemlerinde çoğunlukla tek bir ünitenin çalıştığı, yoğun saatlerde ise ünitelerin karışımını ve kısmi yüklerini atık operasyonu önleyecek şekilde ayarladığı görülüyor.

Gelecekteki buz pistleri için bunun anlamı

Basitçe söylemek gerekirse, çalışma birkaç saat öne bakmanın ve ardından soğutma çabasını makineler arasında nasıl paylaşılacağını planlamanın, bina veya ekipmanı değiştirmeden bir buz pistinin elektrik faturasını anlamlı şekilde azaltabileceğini gösteriyor. Önerilen yöntem, bir tahmin motorunu ve akıllı bir zamanlayıcıyı birbirine bağlıyor; bu yapı diğer pistler veya soğuk depolar ve gıda tesisleri için yeniden eğitilebilir. Daha fazla veri ve otomatik kontrol sistemlerine entegrasyon ile bu tür yaklaşımlar, kapalı buz sporlarının büyümesine yardımcı olurken çevresel ayak izlerini daha iyi kontrol altında tutabilir.

Atıf: Du, Z., Liu, Y., Xue, Y. et al. Research on cooling load prediction and allocation optimization for refrigeration system in indoor ice rink: evidence from China. Sci Rep 16, 10117 (2026). https://doi.org/10.1038/s41598-026-38121-6

Anahtar kelimeler: kapalı buz pisti, enerji verimli soğutma, makine öğrenimi, soğutma kontrolü, optimizasyon algoritması