تعتبر بيئات الهيدروجين المغلقة، مثل مواقف السيارات المخصصة لمركبات خلايا الوقود، تحديات أمان كبيرة بسبب طاقة الإشعال المنخفضة للهيدروجين ونطاق الاشتعال الواسع. يعتمد معظم أنظمة المراقبة الحالية على نهج تفاعلي، حيث يتم رصد التسريبات فقط بعد تكوين تركيزات خطرة.

في هذه الدراسة، تم تطوير إطار عمل حسابي لتحسين مواضع حساسات كشف التسرب بشكل استباقي، من خلال دمج الديناميات الهوائية الحاسوبية (CFD) مع خوارزمية جينية (GA) ونموذج DeepSets العصبي. تم إنشاء قاعدة بيانات CFD تحوي 180 سيناريو مختلف داخل جراج يمثل أبعاد 50 متر × 30 متر × 3 متر، مع تغطية لمواقع التسرب المختلفة ومعدلات التسرب (1-150 غرام/ثانية) وظروف التهوية (3-10 تبديلات هواء في الساعة).

تم تحسين مواضع الحساسات باستخدام خوارزمية جينية متعددة الأهداف، وتمت مقارنتها مع الطرق الموحدة، العشوائية، وطرق الدعم بالنموذج. وقد حققت الخوارزمية معدلاً للكشف يصل إلى 96.1% في غضون 60 ثانية، وقللت المناطق العمياء إلى 0.12%، مما يمثل تحسينًا يقارب 5% مقارنة بالأساس الموحد. تمكن نموذج DeepSets من إعادة إنتاج التكوينات القريبة من المثالية بفجوة لياقة تحت 0.01، مع تقليص تقييمات CFD بنسبة 89% ووقت الحوسبة بحدود مرتين.

كما ظلت الأداء الكشفي والتغطية المكانية مقاربة لخوارزمية GA، مما يظهر أن تحسين الدعم بالنموذج يمكن أن يحتفظ بجودة الحل بينما يمكّن من تكرار التصميم بسرعة. بشكل عام، تظهر النتائج أن تحسين الديناميات الهوائية يعزز فعالية الكشف ويقلل من متطلبات الحساسات مقارنةً بالتصميمات التقليدية. يدعم الإطار المقترح النشر القابل للتوسع ويوفر أساسًا لدمج شبكات الحساسات المثلى مع أنظمة التوائم الرقمية للمراقبة في الوقت الحقيقي وتقييم المخاطر.