في عالم التكنولوجيا الحديثة، حيث تُعتبر الكفاءة الطاقية واحدة من أهم الأولويات، ظهرت دراسة جديدة تسلط الضوء على أساليب جديدة باستخدام التعلم العميق القابل للتفسير (Explainable Deep Learning - XDL) مع التعلم المعزز (Reinforcement Learning). تقدم هذه الدراسة نهجًا مبتكرًا يجمع بين التعلم المعزز متعدد الوكلاء (Multi-Agent Deep Reinforcement Learning - MARL) والتقنيات القابلة للتفسير لكشف الاستراتيجيات الأكثر فاعلية في تقليل السحب في التدفقات المضطربة.

تستند الدراسة إلى نتائج تدريب الوكلاء الذين يستهدفون التحكم في إجهاد الجدار والسحب المباشر. يتم مقارنة ثلاث تقنيات مستندة إلى مستندات التفاسير المعروفة باسم SHAP. في الطريقة الأولى، يتم حساب المكافأة بناءً على مستندات SHAP لتحليل التنبؤات حول حقل السرعة المستقبلية. في الطريقة الثانية، يتم التركيز على معامل الاحتكاك السطحي، بينما الثالثة تجمع بين مستندات SHAP لكلا العاملين.

تظهر النتائج أن الاستراتيجية المشتركة المعتمدة على معامل الاحتكاك السطحي وتقلبات ضغط الجدار تحقق أفضل أداء، حيث تصل نسبة تقليل السحب إلى 34.44% ونسبة توفير الطاقة إلى 34.01% مع مستوى طاقة مُدخل منخفض جدًا، يصل إلى 0.43% فقط.

بالمقارنة مع المراقبة المباشرة، فإن تقليل السحب وزيادة توفير الطاقة تحسنا بنسبة 49.41% و48.52% على التوالي. بالإضافة إلى ذلك، يكشف التحليل أن الاستراتيجية الفعالة للطاقة تتوافق مع التحكم المدعوم بالضغط، حيث تنشط الأساليب عند وجود ضغط جدار قريب من الصفر، مما يعكس قدرة هذه الطرق على العمل بشكل ديناميكي وفعال حسب طبيعة التدفقات القريبة من الجدار.

إذاً، كيف يمكن أن يسهم هذا التقدم العلمي في تحسين الكفاءة الطاقية في مجالات أخرى؟ هل يمكن أن يكون هذا النهج حلًا للعديد من مشاكلنا البيئية؟ شاركونا آراءكم في التعليقات!