پژوهشگران دانشگاه تهران با ترکیب هوش مصنوعی و روش‌های تصمیم‌گیری داده‌محور، روشی برای شناسایی و رتبه‌بندی مخازن گازی تخلیه‌شده مناسب ذخیره‌سازی هیدروژن ارائه کرده‌اند که می‌تواند زمان ارزیابی گزینه‌ها را از چند هفته به چند ساعت کاهش دهد.
به گزارش سیناپرس، پژوهشگران دانشکدگان فنی دانشگاه تهران با تلفیق هوش مصنوعی و تصمیم‌گیری چندمعیاره، چارچوبی هوشمند و داده‌محور برای غربالگری و رتبه‌بندی مخازن تخلیه‌شده گازی، با هدف ذخیره‌سازی زیرزمینی هیدروژن ارائه کردند؛ روشی که می‌تواند زمان مورد نیاز برای ارزیابی تعداد زیادی از گزینه‌های ذخیره‌سازی را به میزان قابل‌توجهی کاهش دهد.
این پژوهش توسط فاطمه هاشمی، دانشجوی کارشناسی ارشد دانشگاه تهران، با هدایت و راهبری بهنام صدایی، عضو هیئت علمی دانشکده مهندسی شیمی دانشکدگان فنی دانشگاه تهران و همکاری محمدرضا رسایی، دانشیار دانشکدگان فنی دانشگاه تهران انجام شده است. این پژوهش در چارچوب فعالیت‌های هسته پژوهشی ذخیره‌سازی زیرزمینی هیدروژن دانشگاه تهران انجام شده و به ارائه یک چارچوب یکپارچه برای شناسایی و رتبه‌بندی گزینه‌های مناسب ذخیره‌سازی زیرزمینی هیدروژن در مخازن تخلیه‌شده گازی می‌پردازد.
صدایی، سرپرست هسته تحقیقاتی، در مورد این طرح گفت: هسته پژوهشی ذخیره‌سازی زیرزمینی هیدروژن دانشگاه تهران(UT-UHS)، در دانشکدگان فنی دانشگاه تهران، به عنوان یکی از واحدهای پژوهشی پیشرو در زمینه هیدروژن در دنیا به صورت سیستماتیک به مطالعه ذخیره‌سازی زیرزمینی هیدروژن می‌پردازد. هدف اصلی این هسته، توسعه دانش فنی برای ذخیره‌سازی ایمن و مقرون‌به‌صرفه هیدروژن در مخازن تخلیه شده نفت و گاز، سفره‌های آب شور و مغارهای نمکی است.
وی با بیان اینکه ذخیره‌سازی زیرزمینی هیدروژن یکی از گزینه‌های مهم برای ذخیره‌سازی بلندمدت انرژی و پشتیبانی از توسعه منابع انرژی تجدیدپذیر به شمار می‌رود، اظهار کرد: ذخیره‌سازی هیدروژن در مخازن تخلیه‌شده گازی، به دلیل برخورداری از زیرساخت‌ها و ویژگی‌های فنی و اقتصادی مناسب، به‌عنوان یکی از گزینه‌های عملی برای ذخیره‌سازی هیدروژن در مقیاس بزرگ مطرح است. با این حال، انتخاب محل مناسب از میان تعداد زیادی مخزن بالقوه، یک مسئله پیچیده و چندبعدی است که باید همزمان معیارهای فنی و اقتصادی را در نظر بگیرد.
سرپرست تیم تحقیقاتی در ادامه تاکید کرد: یکی از چالش‌های اصلی در فرآیند انتخاب محل ذخیره‌سازی، هزینه و زمان بالای شبیه‌سازی‌های عددی است. از سوی دیگر، برخی روش‌های تصمیم‌گیری چندمعیاره به وزن‌دهی مبتنی بر نظر کارشناسان متکی هستند که می‌تواند موجب ورود سوگیری‌های ذهنی به فرآیند رتبه‌بندی شود. در این پژوهش تلاش شده است این دو محدودیت را با ترکیب مدل‌های هوش مصنوعی و یک روش تصمیم‌گیری چندمعیاره مبتنی بر داده برطرف کنیم.
وی افزود: در مرحله نخست، با استفاده از شبیه‌سازی‌های عددی و روش نمونه‌برداری لاتین هایپرکیوب، یک پایگاه داده جامع از سناریوهای مختلف ایجاد شد. سپس پنج الگوریتم یادگیری ماشین برای پیش‌بینی شاخص‌های عملکردی مخازن، شامل ضریب بازیافت هیدروژن، خلوص هیدروژن و شاخص اقتصادی، مورد ارزیابی قرار گرفتند. در ادامه، با استفاده از روش آنتروپی شانون، وزن معیارها به‌صورت داده‌محور تعیین و در نهایت روش TOPSIS برای رتبه‌بندی گزینه‌های ذخیره‌سازی به کار گرفته شد.
فاطمه هاشمی، دانشجوی محقق این طرح نیز گفت: نتایج نشان داد که مدل LightGBM توانست هر سه شاخص اصلی عملکردی شامل ضریب بازیافت، خلوص هیدروژن و ارزش فعلی خالص یا NPV را با دقت بسیار بالایی پیش‌بینی کند و ضریب تعیین آن برای این شاخص‌ها بیش از ۰.۹۸ به دست آمد. این میزان دقت، امکان استفاده از مدل‌های جانشین مبتنی بر هوش مصنوعی را برای غربالگری تعداد زیادی از سناریوها فراهم می‌کند.
وی درباره اهمیت این یافته‌ها افزود: یکی از مزیت‌های مهم چارچوب پیشنهادی، کاهش چشمگیر زمان مورد نیاز برای فرآیند غربالگری است. بر اساس نتایج تحقیق، چارچوب پیشنهادی قادر است رتبه‌بندی نهایی گزینه‌ها را در مدت چند ساعت ارائه کند، در حالی که رویکردهای مبتنی بر شبیه‌سازی کامل مخزن و تصمیم‌گیری‌های متکی بر قضاوت‌های کارشناسی ممکن است به چند هفته زمان نیاز داشته باشند.
دانشیار دانشگاه تهران در ادامه اظهار کرد: در این پژوهش نشان داده شد که چارچوب پیشنهادی می‌تواند با تبدیل نتایج پیچیده شبیه‌سازی به یک فرآیند شفاف و داده‌محور، امکان غربالگری و رتبه‌بندی تعداد زیادی از مخازن تخلیه‌شده گازی را پیش از انجام مطالعات تفصیلی فراهم کند. از این منظر، استفاده از این روش می‌تواند به شناسایی گزینه‌های مناسب‌تر، کاهش ریسک مالی و جلوگیری از تخصیص سرمایه به گزینه‌های نامناسب در مراحل اولیه توسعه پروژه‌های ذخیره‌سازی زیرزمینی هیدروژن کمک کند.
به نقل از ایسنا، صدایی در پایان گفت: ترکیب هوش مصنوعی با روش‌های تصمیم‌گیری چندمعیاره داده‌محور می‌تواند چارچوبی شفاف، تکرارپذیر و مقیاس‌پذیر برای انتخاب محل ذخیره‌سازی زیرزمینی هیدروژن فراهم کند. این رویکرد با افزایش سرعت فرآیند غربالگری و کاهش وابستگی به قضاوت‌های ذهنی، ظرفیت آن را دارد که به‌عنوان بخشی از فرآیند ارزیابی پروژه‌های ذخیره‌سازی زیرزمینی هیدروژن در مقیاس صنعتی مورد استفاده قرار گیرد.
بر اساس اعلام دانشگاه تهران، دستاوردهای این تیم که حاصل همکاری با دانشگاه‌های معتبر بین‌المللی از جمله دانشگاه‌های کلگری کانادا و آرکانزاس آمریکا است، تاکنون در قالب بیش از ده‌ها مقاله در نشریات معتبر جهانی منتشر شده است. همچنین یکی از مهم‌ترین پروژه‌های هیدروژن در کشور توسط این هسته و با حمایت شرکت مهندسی و توسعه گاز ایران اجرا شد.
