DOI: https://doi.org/10.3389/fchem.2026.1864044
PMID: https://pubmed.ncbi.nlm.nih.gov/42491604
تاريخ النشر: 2026-07-03
المؤلف: Sreenivas Punna وآخرون
الموضوع الرئيسي: تركيب الأمونيا وتقليل النيتروجين
نظرة عامة
إن دمج الذكاء الاصطناعي (AI) في أنظمة الطاقة يظهر كاستراتيجية محورية لمعالجة ضعف الطاقة العالمي (EVI). تبحث هذه الدراسة في الدور المتعدد الأوجه للذكاء الاصطناعي في تخفيف EVI من خلال تعزيز توفر الطاقة، وكفاءة التشغيل، وأنماط الاستهلاك، ودمج الطاقة المتجددة، والأمن الطاقي بشكل عام. تبرز الدراسة فعالية تقنيات التعلم الآلي (ML)، مثل الشبكات العصبية الاصطناعية (ANN)، والانحدار باستخدام دعم المتجهات (SVR)، والتعلم الجماعي، في تسريع اكتشاف المواد الحفازة وتحسين تقنيات التقاط CO₂. تظهر هذه المنهجيات قدرات تنبؤية كبيرة في تقدير طاقات التنشيط، وخصائص الامتزاز، وكفاءات التحفيز، مما يقلل من الاعتماد على محاكاة نظرية الكثافة الوظيفية (DFT) التي تتطلب حسابات مكثفة.
علاوة على ذلك، يتيح تطبيق ML في أنظمة التقاط CO₂، وخاصة ضمن الهياكل العضوية المعدنية (MOFs)، الفحص عالي الإنتاجية والتقييمات التنبؤية لسعة الامتزاز والسلوك الهيكلي. من خلال استخدام العلاقات الكمية بين الهيكل والخاصية وتحليلات أهمية الميزات، يمكن لنماذج ML تحديد المتغيرات الحرجة التي تؤثر على أداء التقاط CO₂، مما يسهل عمليات تطوير المواد. تؤكد النتائج على إمكانيات الأنظمة المتكاملة المغلقة التي تدمج ML، والنمذجة النظرية، والتجارب الآلية لتعزيز تطوير المحفزات وعمليات التقاط الكربون. بشكل عام، تشير الأبحاث إلى أن الأساليب المدفوعة بالذكاء الاصطناعي تعزز بشكل كبير من كفاءة واستدامة وقابلية توسيع تقنيات الطاقة المتقدمة، مما يساهم في الانتقال العالمي نحو أنظمة طاقة منخفضة الكربون ومرنة.
مقدمة
تناقش مقدمة ورقة البحث الاستخدام المتزايد لأساليب التعلم الآلي لتعزيز تحسين أنظمة الطاقة الحديثة، وخاصة ضمن الهياكل الطاقية الموزعة التي تدمج مصادر متجددة متقطعة مثل الطاقة الشمسية الكهروضوئية (SPV) وطاقة الرياح. تهدف هذه الأنظمة، التي تشمل مفاهيم مثل محطات الطاقة الافتراضية والشبكات الصغيرة الذكية، إلى تحسين استقرار الشبكة من خلال استيعاب الموارد غير المرسلة. ومع ذلك، تنشأ تعقيدات تدفقات الطاقة والحاجة إلى تقنيات تحسين إرسال متقدمة من الخصائص التشغيلية المتنوعة لهذه المكونات، بالإضافة إلى عدم اليقين في طلب الحمل وتوافر الموارد المتجددة.
لمعالجة هذه التحديات، تم استخدام طرق تحسين ثنائية المستوى، حيث يتم تحسين تصميم النظام على المستوى العلوي بينما يتم حل استراتيجيات التشغيل على المستوى السفلي. على الرغم من فعاليتها، فإن هذه الطرق تتطلب حسابات مكثفة، خاصة عندما تكون النماذج الهندسية التفصيلية ومجموعات البيانات عالية الدقة متضمنة. ظهرت أساليب النمذجة البديلة كحل لتقليل المتطلبات الحسابية، حيث تقرب سلوك الأنظمة المعقدة وتقلل بشكل كبير من أوقات التقييم مع الحفاظ على دقة تنبؤية عالية. بينما تم تطبيق النماذج البديلة بنجاح على مستوى المكونات، فإن تطبيقها على مستوى النظام لا يزال محدودًا بسبب زيادة التعقيد. تسلط الورقة الضوء على الحاجة إلى أطر تحسين هجينة تدمج النماذج البديلة مع نماذج هندسية عالية الدقة لتحقيق توازن بين الكفاءة الحسابية والدقة، ومعالجة قيود طرق التحسين الثنائية التقليدية في السياقات الديناميكية وغير الخطية.
نقاش
ت outlines قسم النقاش في ورقة البحث إطارًا حسابيًا شاملاً لتصميم أنظمة الطاقة، مع التركيز على تعقيد تحسين أداء النظام تحت ظروف متغيرة مثل توافر الموارد المتجددة وطلب الطاقة. يتم صياغة الإطار كمشكلة تحسين مدفوعة بالمحاكاة، باستخدام محاكاة السلاسل الزمنية التي تغطي عادةً 8,790 فترة زمنية ساعة. تستخدم الدراسة نهج عملية اتخاذ القرار ماركوف (MDP) لنمذجة التطور الديناميكي لحالات النظام، مع تسليط الضوء على التحديات الحسابية التي تطرحها تحسين المتغيرات القرار والدوال الهدف في نفس الوقت. لمعالجة هذه التحديات، يقترح المؤلفون خوارزمية تحسين هجينة (HOA) تدمج النماذج الهندسية الفعلية (AEMs) مع النماذج البديلة التي تم تطويرها من خلال تقنيات التعلم الآلي.
توفر النماذج الهندسية الفعلية تقييمات عالية الدقة لأداء النظام، بينما تقدم النماذج البديلة، مثل الشبكات العصبية الاصطناعية (ANNs)، كفاءة حسابية من خلال تقريب سلوك النظام دون حل النماذج الفيزيائية الأساسية. يتناول النقاش تطوير النماذج البديلة من خلال عملية من ثلاث مراحل: توليد مجموعة البيانات، وتدريب النموذج باستخدام التعلم الخاضع للإشراف، والتحسين. كما يتم تسليط الضوء على دمج تقنيات التعلم الانتقالي، مما يسمح بتكيف النماذج البديلة مع مواقع جغرافية جديدة بجهد حسابي مخفض. لا يسرع هذا النهج الهجين عملية التحسين فحسب – حيث يظهر تقليصًا يصل إلى 84% في الوقت الحسابي – بل يحافظ أيضًا على دقة الحلول النهائية من خلال تحسينات قائمة على النماذج الهندسية الفعلية. بشكل عام، يؤكد القسم على إمكانيات الذكاء الاصطناعي والتعلم الآلي لتعزيز تصميم أنظمة الطاقة، مما يمكّن من حلول فعالة وقابلة للتوسع عبر سياقات تشغيلية متنوعة.
DOI: https://doi.org/10.3389/fchem.2026.1864044
PMID: https://pubmed.ncbi.nlm.nih.gov/42491604
Publication Date: 2026-07-03
Author(s): Sreenivas Punna et al.
Primary Topic: Ammonia Synthesis and Nitrogen Reduction
Overview
The integration of artificial intelligence (AI) into energy systems is emerging as a pivotal strategy for addressing global energy vulnerability (EVI). This research investigates the multifaceted role of AI in alleviating EVI by enhancing energy availability, operational efficiency, consumption patterns, renewable energy integration, and overall energy security. The study highlights the effectiveness of machine learning (ML) techniques, such as artificial neural networks (ANN), support vector regression (SVR), and ensemble learning, in accelerating the discovery of catalytic materials and improving CO₂ capture technologies. These methodologies demonstrate significant predictive capabilities in estimating activation energies, adsorption properties, and catalytic efficiencies, thereby reducing dependence on computationally intensive density functional theory (DFT) simulations.
Furthermore, the application of ML in CO₂ capture systems, particularly within metal-organic frameworks (MOFs), enables high-throughput screening and predictive assessments of adsorption capacity and structural behavior. By employing quantitative structure-property relationships and feature importance analyses, ML models can identify critical variables influencing CO₂ capture performance, thus streamlining material development processes. The findings underscore the potential of integrated, closed-loop systems that merge ML, theoretical modeling, and automated experimentation to enhance catalyst development and carbon capture processes. Overall, the research indicates that AI-driven approaches significantly bolster the efficiency, sustainability, and scalability of advanced energy technologies, contributing to a global transition toward low-carbon and resilient energy systems.
Introduction
The introduction of the research paper discusses the increasing utilization of machine learning methods to enhance the optimization of modern energy systems, particularly within distributed energy architectures that integrate intermittent renewable sources like solar photovoltaic (SPV) and wind power. These systems, which include concepts such as virtual power plants and smart microgrids, aim to improve grid stability by accommodating non-dispatched resources. However, the complexity of energy flows and the need for advanced dispatch optimization techniques arise from the diverse operational characteristics of these components, compounded by uncertainties in load demand and renewable resource availability.
To tackle these challenges, bi-level optimization methods have been employed, optimizing system design at the upper level while resolving operational strategies at the lower level. Despite their effectiveness, these methods are computationally intensive, especially when detailed engineering models and high-resolution datasets are involved. Surrogate modeling approaches have emerged as a solution to reduce computational demands, approximating the behavior of complex systems and significantly decreasing evaluation times while maintaining high prediction accuracy. While surrogate models have been successfully applied at the component level, their application at the system level remains limited due to increased complexity. The paper highlights the need for hybrid optimization frameworks that integrate surrogate models with high-fidelity engineering models to balance computational efficiency and accuracy, addressing the limitations of traditional bi-level optimization methods in dynamic and nonlinear contexts.
Discussion
The discussion section of the research paper outlines a comprehensive computational framework for energy system design, emphasizing the complexity of optimizing system performance under varying conditions such as renewable resource availability and energy demand. The framework is framed as a simulation-driven optimization problem, utilizing time-series simulations that typically cover 8,790 hourly intervals. The study employs a Markov Decision Process (MDP) approach to model the dynamic evolution of system states, highlighting the computational challenges posed by the simultaneous optimization of decision variables and objective functions. To address these challenges, the authors propose a hybrid optimization algorithm (HOA) that integrates actual engineering models (AEMs) with surrogate models developed through machine learning techniques.
The AEMs provide high-fidelity evaluations of system performance, while surrogate models, such as artificial neural networks (ANNs), offer computational efficiency by approximating system behavior without solving the underlying physical models. The discussion details the development of surrogate models through a three-stage process: dataset generation, model training using supervised learning, and optimization. The integration of transfer learning techniques is also highlighted, allowing for the adaptation of surrogate models to new geographical locations with reduced computational effort. This hybrid approach not only accelerates the optimization process—demonstrating up to an 84% reduction in computational time—but also maintains the accuracy of the final solutions through AEM-based refinement. Overall, the section emphasizes the potential of AI and machine learning to enhance energy system design, enabling efficient and scalable solutions across diverse operational contexts.