في خطوة جديدة نحو تعزيز دقة التنبؤات في مجالات الهندسة الكيميائية، يقدم الباحثون نوعًا مبتكرًا من التعلم الآلي يُعرف بالتعلم الرمزي (Symbolic Machine Learning). حيث يعاني العلماء من صعوبة كبيرة في التنبؤ بالتوازن البخاري السائل (Vapor-Liquid Equilibrium) بالنسبة لخلطات الهيدروكربونات والنيتروجين، خاصةً عند استخدام المعادلات المكعبة للحالة مثل معادلة Peng-Robinson.

يكرّس هذا المشروع البحثي جهوده لتقديم حلول فعالة من خلال مقاربة مبتكرة تعتمد على التعلم الرمزي لاكتشاف تصحيحات رمزية تفصيلية لنتائج المعادلات المُستخدمة. من خلال اعتماد استراتيجية من مستويين، يتم تحديد التعبيرات الرمزية لأنظمة الهيدروكربونات الفردية وتتمثل معاملات هذه التعبيرات كدوال تتعلق بعدد الكربون، مما يسمح بتحقيق التنبؤات بدقة عبر أنظمة هيدروكربونية متنوعة.

تظهر النتائج أن الطريقة المقترحة تحسن من دقة التنبؤات بشكل ملحوظ مقارنةً بالنماذج التقليدية، مما يجعلها خطوة رائدة في تحسين دقة التنبؤات لتوازن البخار والسائل.

بهذه الطريقة، لا تقدّم هذه المقاربة دقة أعلى فحسب، بل توفّر أيضًا إطارًا يمكن من خلاله فهم النتائج بطريقة أكثر وضوحًا. لنلقِ نظرة أعمق على نتائج هذا البحث، حيث توفر هذه التقنية الجديدة أداة فعّالة للتعامل مع تحديات التنبؤ بالأنظمة المختلفة وكيف يمكن استخدامها في التطبيقات الصناعية.