تطوير نماذج تعلم الآلة لخفض انبعاثات النيتروجين

العميل

شركة عالمية لحلول توربينات الغاز، تهدف الحلول التي تصممها إلى تقليل التأثير البيئي للوقود الأحفوري.

الحاجة إلى تقليل انبعاثات النيتروجين داخل توربينات الغاز

أرادت شركة العميل تقليل انبعاثات أكاسيد النيتروجين (NOx) داخل حلولها المشهورة لتوربينات الغاز عن طريق تحديد ظروف التشغيل المثلى لها (على سبيل المثال، الحمولة الثابتة مقابل المتغيرة، وتركيبات الوقود المختلفة). ولمعرفة الجوانب المشتركة بين هذه العوامل، وتحديد مدى تأثيرها في حجم انبعاثات النيتروجين داخل التوربينات، قررت شركة العميل استخدام تقنية تعلم الآلة.

اختار العميل شركة ساينس سوفت موردًا موثوقًا لخدمات علوم البيانات وتعلم الآلة لخبرتها الواسعة في تطوير البرمجيات لقطاع النفط والغاز.

تطوير 3 نماذج مختلفة لتعلم الآلة لمعالجة تعقيد بيانات التوربينات

حلَّل كبير علماء البيانات لدى ساينس سوفت مجموعات البيانات التي قدمتها شركة العميل. وشملت تلك البيانات قياسات التوربينات عن بُعد (مثل: سرعة الدوران، والحمل، واستهلاك الوقود، ودرجة الحرارة)، إلى جانب بيانات انبعاثات أكاسيد النيتروجين.

بدأ خبيرنا بتحليل البيانات الاستكشافية، وحدد الاتجاهات الآتية في البيانات:

• العلاقات المحتملة المتسلسلة زمنيًا وغير الخطية وطويلة الأجل بين متغيرات القياس عن بُعد وقيم الانبعاثات (على سبيل المثال، تزايد حجم الانبعاثات بما يتناسب مع زيادة استهلاك الوقود).
• كميات ضخمة من القيم المتطرفة والبيانات المشوشة (مثل: الارتفاع المفاجئ في درجة حرارة التوربينات أو التقلبات العشوائية في قيم الانبعاثات).

لأن البيانات كانت معقدة ومتنوعة، اقترح خبيرنا تطوير 3 نماذج مختلفة لتعلم الآلة مع تحسين كل منها لنوع معين من أنواع العلاقات بين المتغيرات والقيم. بهذه الطريقة، سيتمكن العميل من تقييم أداء جميع النماذج الثلاثة باستخدام البيانات الفعلية للتوربينات من منشآته الخاصة، واختيار النموذج الأكثر ملاءمة. وقد وافق العميل على هذا النهج، وطور عالم البيانات لدينا النماذج التالية:

نموذج تعزيز التدرُّج الشديد (XGBoost)

يحدد هذا النموذج العلاقات المعقدة غير الخطية بين المتغيرات. على سبيل المثال، قد لا يؤدي التغير في درجة حرارة التوربينات إلى تحول نسبي في قيم الانبعاثات.

نموذج الشبكة العصبية المتكررة (RNN)

يعد نموذج الشبكة العصبية المتكررة مثاليًا للحصول على علاقات متسلسلة زمنيًا بين المتغيرات والقيم. على سبيل المثال، يمكن لهذا النموذج تحليل مدى تأثير التقلبات في معدلات استهلاك الوقود بالساعة في انبعاثات أكاسيد النيتروجين مع مرور الوقت.

في أثناء إنشاء هذا النموذج، استخدم خبيرنا طريقة التحقق المتقاطع من البيانات المتسلسلة زمنيًا لتجنب الإفراط في تدريب النموذج (عندما يحفظ النموذج بيانات التدريب ويعمل بأداء منخفض على مجموعات بيانات مختلفة)، والتدريب الناقص (عندما يكون النموذج بسيطًا للغاية لتحديد العلاقات بين المتغيرات والقيم).

نموذج الذاكرة الطويلة قصيرة المدى (LSTM)

طور خبيرنا هذا النموذج ليكون خيارًا متقدمًا لنموذج الشبكة العصبية المتكررة (RNN) لاكتشاف العلاقات طويلة الأجل في البيانات. على سبيل المثال، كيف ستؤثر نسبة ضغط الهواء في التوربين في نقطة زمنية معينة في قيم انبعاثات أكاسيد النيتروجين لاحقًا.

نجح خبيرنا في تحسين جميع النماذج الثلاثة لتعالج بكفاءة المتغيرات غير المنتظمة وغير المتوقعة الناتجة عن القيم المتطرفة والبيانات المشوشة.

تطوير 3 نماذج لتعلم الآلة في غضون شهرين فقط

في غضون شهرين فقط، قدمت ساينس سوفت لشركة العميل 3 نماذج لتعلم الآلة (XGBoost وRNN وLSTM) لتحديد العوامل المشتركة المعقدة بين ظروف تشغيل توربينات الغاز وانبعاثات النيتروجين في حلولها. وقد أعرب العميل عن إعجابه الشديد بالنهج الشامل الذي يتَّبعه عالِم البيانات لدينا وتفانيه في تصميم النماذج بما يتناسب مع خصائص بيانات التوربينات.

بعد تنفيذ ساينس سوفت المشروع بنجاح، بدأ العميل نشر جميع نماذج التعلم الآلي الثلاثة في بنيته التحتية لتقنية المعلومات لمواصلة أبحاث انبعاثات النيتروجين وتقليل حجم انبعاثات أكاسيد النيتروجين داخل حلول توربينات الغاز لديه.

التقنيات والأدوات

Python.