29 جولای 2021 توسط میشل رولز، دانشگاه A&M تگزاس، اعتبار: دامنه عمومی Pixabay / CC0
رابطه غذا و آب و انرژی حکم می‌کند که ارتباط مستقیمی بین این سه ضرورت وجود دارد و تأکید بر اینکه تأمین یکی از آن‌ها به طور مستقیم در تأمین دو مورد دیگر موثر است نیز مهم است. با افزایش جمعیت، تقاضای انسان برای انرژی و غذا باعث شده است که ذخایر آب شیرین به آرامی از وضعیت تعادل خارج شود. نیروگاه‌ها یکی از مهم‌ترین عاملان ایجاد این مسئله هستند، زیرا سالانه برای جلوگیری از گرم شدن بیش از حد سیستم‌های خود از تریلیون‌ها گالن آب شیرین استفاده می‌کنند.
یک گروه تحقیقاتی به سرپرستی دبیوتیوتی بانرجی، استاد گروه مهندسی مکانیک J. Mike Walker دانشگاه تگزاس A&M، نشان داده است که تغییر فاز مواد خاص (PCM) Phase Change Material می‌توانند توربین‌های بخار مورد استفاده در نیروگاه‌ها را خنک‌کنند و از مصرف آب شیرین جلوگیری کنند. به طور همزمان، گروه دیگری از تکنیک‌های یادگیری ماشینی برای افزایش قابلیت اطمینان و ظرفیت ذخیره انرژی سیستم عامل‌های مختلف خنک‌کننده مبتنی بر PCM برای توسعه باتری‌های سرد قدرتمند استفاده می‌کند که بر اساس تقاضا ارسال می‌شوند.
مطلب این موضوع توسط محققان بهره گیری از یادگیری ماشینی (شبکه‌های عصبی مصنوعی) برای افزایش عملکرد و قابلیت اطمینان سیستم عامل‌های ذخیره انرژی گرمایی با استفاده از تغییر فاز مواد، در انجمن مهندسان مکانیک آمریکا در مجله فناوری منابع انرژی منتشر شد.
نیروگاه‌ها و صنایع فرآوری از آب شیرین در برج‌های خنک‌کننده برای کاهش هزینه‌ها و بهبود قابلیت اطمینان استفاده می‌کنند. آب از طریق برج خنک‌کننده عبور می‌کند، گرما را جذب می‌کند و به بخار تبدیل می‌شود، سپس از آن برای متراکم‌شدن بخار حاصل از اگزوز توربین استفاده می‌شود.
با تقاضای زیاد برای آب شیرین، روش‌های جایگزین مانند استفاده از PCMها که می‌توانند با جذب انرژی گرما از حالت جامد به حالت مایع تبدیل شوند، توجه بیشتری را به نیروگاه‌های خنک‌کننده و صنایع فرآیندی جلب می‌کنند.
اولین ماده‌ای که تیم بررسی کرد، مواد مومی حاصل از زیست‌پذیری (مشابه گوشت خوک) بود: محصولات طبیعی با ردپای کم کربن که نسبتاً ارزان هستند. اگرچه کارآمد است، محققان نشان دادند که واکس‌ها (پارافین‌ها) نمی‌توانند به اندازه‌ای مناسب انرژی ذخیره کنند و نه می‌توانند قدرت خنک کنندگی را که در ابتدا فرض می‌کردند، تحویل دهند، بنابراین، میزان خنک‌کننده کافی برای آب و هوای شدید را تأمین نمی‌کنند یا ایمنی را در میان حوادث شدید آب و هوایی فراهم نمی‌کنند.
این امر منجر به آزمایش PCM دیگری به نام هیدرات‌های نمکی شد که برای محیط زیست نیز ارزان و بی‌خطر هستند. هیدرات نمک امکان بیشتری از موم‌ها و گوشت خوک دارد، تقریباً دو تا سه برابر انرژی در حالی که ذوب می‌شود با سرعت بیشتری انرژی ذخیره می‌کند. با این حال، این مواد یک نقص شناخته شده دارند – جامدشدن آن‌ها خیلی طولانی می‌شود. بدون یک روش ذوب و انجماد قابل اعتماد، هیدرات‌های نمک بی‌اثر هستند.
بانرجی گفت: «این فرایند را به عنوان یک باتری اتومبیل الکتریکی در نظر بگیرید – شما می‌خواهید مدت زمان کمی برای شارژ مجدد آن صرف شود، اما برای مدت طولانی باید کار کند. همین مفهوم را می‌توان در مورد PCMها نیز به کار برد. ما برای شارژ مجدد (یخ زدگی) سریع و درعوض طولانی مدت ذوب‌شدن به یک PCM نیاز داریم.»
محققان برای افزایش قابلیت اطمینان و سرعت بخشیدن به انجماد این PCMها، به یادگیری ماشین روی آوردند. آن‌ها با استفاده از قرائت فقط سه حسگر دمای مینیاتوری که مانند دماسنج عمل می‌کنند، تاریخچه زمان ذوب را ثبت کردند. سپس آن‌ها یادگیری ماشینی را برای پیش‌بینی زمان و میزان ذوب PCM و زمان شروع انجماد پیاده‌سازی کردند و هم قدرت و هم ظرفیت خنک کننده را به حداکثر رساندند.
بنرجی گفت: «با استفاده از این روش دریافتیم كه اگر فقط 90٪ هیدرات نمك را ذوب كرده و 10٪ جامد باقی بگذارید، در لحظه شروع چرخه خنك سازی، بلافاصله یخ می‌زند. زیبایی این روش این است که ما با یک دستگاه از سه حسگر و یک برنامه ساده کامپیوتری، سیستمی را ایجاد کرده‌ایم که مقرون به صرفه، قابل اعتماد و پایدار است.»
در حال حاضر، الگوریتم‌های یادگیری ماشینی دیگر برای دستیابی به این نوع دقت برای نیروگاه‌ها به سال‌ها داده نیاز دارند درحالی که روش جدید Banerjee فقط به چند روز زمان نیاز دارد. الگوریتم می‌تواند ظرف مدت یک ساعت (و به اندازه سه ساعت) به اپراتور بگوید که سیستم با دقت پیش بینی پنج تا 1 دقیقه به حداکثر درصد ذوب می‌رسد. این تکنیک را می‌توان در هر واحد خنک کننده موجود در هر صنعت فرآیندی یا نیروگاه نصب کرد.
