الانشطة والاخبار

يمكن أن يؤدي استخدام قدرات الذكاء الاصطناعي إلى تطوير أنظمة طاقة وسلسلة إمداد طاقة أكثر كفاءةً واستدامةً ومرونة. يوفر دمج تقنيات التعلم الآلي ضمن هذه الأنظمة فوائد جمة، وهو أمرٌ أساسيٌّ لتحسين الأداء العام. في ظلّ مواجهة المجتمع العالمي لتحدياتٍ مثل تغير المناخ وتزايد الطلب على الطاقة، سيلعب التعلم الآلي دورًا حيويًا متزايدًا في تحديد مستقبل أنظمة الطاقة. يدرس هذا البحث مدى فعالية تقنيات التعلم الآلي القائمة على الانحدار في تحليل وتحسين أداء نظام توليد الحرارة والطاقة المشترك بين الطاقة الحرارية الأرضية. ويركز على إنشاء نماذج خطية وتربيعية لتقييم توليد الكهرباء وإنتاج الحرارة، و كفاءة النظام بأكمله. يتم تقييم هذه النماذج من خلال تحليل المتبقي وإحصاءات R-squared. تشير النتائج إلى أن النماذج التربيعية تتفوق على النماذج الخطية، حيث حقق النموذج الخطي قيمة R-squared تبلغ 88.56% لتوليد الطاقة، بينما يصل النموذج التربيعي إلى مستوى R-squared مثير للإعجاب يبلغ 99.88%. علاوة على ذلك، توضح الدراسة أن نماذج التعلم الآلي التربيعية تحمل وعدًا كبيرًا لتحسين أداء النظام، كما يتضح من مقاييس الرغبة التي تتجاوز 0.99. يسلط هذا البحث الضوء على أهمية أساليب التعلم الآلي القائمة على الانحدار في تحليل وتحسين أنظمة الحرارة والطاقة الحرارية الأرضية المشتركة. https://www.sciencedirect.com/science/article/abs/pii/S0360544224033723