تشكل دورات التشغيل المتكررة السبب الرئيسي لزيادة تآكل ضواغط مضخات الحرارة المنزلية، وهو ما يثير القلق عند الاعتماد على تقنيات الذكاء الاصطناعي في إدارة أنظمة التكييف والتدفئة. في دراسة جديدة نُشرت عبر arXiv، اقترح الباحثون تحسينات ملحوظة عبر التعلم المعزز (Reinforcement Learning) باستخدام خوارزمية Soft Actor-Critic (SAC).

ركزت الدراسة على كيفية تأثير تعديلات خوارزمية التعلم على السلوك التشغيلى لضواغط الحرارة، عن طريق إضافة مصطلح خاص لتآكل الضاغط كمكافأة في عملية التحكم. عند مقارنة SAC مع خوارزمية Proximal Policy Optimization (PPO) على نموذج قرار ماركوف متطابق، أظهر الباحثون أن SAC يمكنه اعتماد سياسة تعديل مستمرة تبقي الضاغط في حالة تشغيل دائم - تمامًا مثل مبدأ التشغيل لمضخات الحرارة المدفوعة بالعواكس.

نتائجه كانت مذهلة حيث حققت سياسة SAC نسبة راحة حرارية متزايدة تقلل من عدم الراحة الحرارية بنسبة تصل إلى 90.7%، رغم زيادة التكاليف بمعدل 11.5%. في المقابل، أدت خوارزمية PPO إلى السيطرة الدورية التي تتكرر أكثر مما هو متوقع، مما أثر سلبًا على أداء النظام.

إن الاعتماد على التقنيات الحديثة في الذكاء الاصطناعي لزيادة كفاءة الطاقة وتحسين الراحة في بيئاتنا المنزلية يعد خطوة هامة في مجال إدارة الطاقة الذكية، وهو ما يبرز أهمية هذه البحث ودوره الحيوي في هذا الاتجاه.