ترکیب یادگیری ماشین و طراحی آزمایش‌ها برای پیش‌بینی ویژگی‌های هیدروچار

کربونیزاسیون هیدروترمال یا HTC به یکی از روش‌های کاربردی و چندمنظوره برای تبدیل زیست‌توده تبدیل شده است. در این فرایند، مواد اولیه مرطوب در آب و تحت شرایط زیرنقطه‌بحرانی حرارت داده می‌شوند و به جامداتی غنی از کربن به نام هیدروچار تبدیل می‌شوند. این مواد را می‌توان از طیف گسترده‌ای از خوراک‌ها، از لجن فاضلاب گرفته تا پسماندهای کشاورزی، تولید کرد. محتوای انرژی، تخلخل و شیمی سطح هیدروچار نیز قابل تنظیم است و همین ویژگی، کاربرد آن را در حوزه‌هایی مانند تولید سوخت جامد، جاذب‌های تصفیه آب و مواد اولیه ساخت باتری امکان‌پذیر می‌کند. با وجود دهه‌ها پژوهش آزمایشگاهی، محققان هنوز برای پیش‌بینی دقیق ویژگی‌های هیدروچار پیش از تولید آن با دشواری روبه‌رو هستند. یک مقاله مروری انتقادی جدید که در مجله Frontiers in Chemical Engineering منتشر شده، استدلال می‌کند که ترکیب دو رویکرد محاسباتی، یعنی طراحی آزمایش‌ها و یادگیری ماشین، می‌تواند مسیر طراحی هدفمند و قابل پیش‌بینی هیدروچار را هموار کند.

به گفته نویسندگان این مقاله، مسئله اصلی پیچیدگی فرایند است. کربونیزاسیون هیدروترمال تنها شامل یک واکنش نیست، بلکه شبکه‌ای درهم‌تنیده از فرایندهای مرتبط، از جمله آب‌زدایی، کربن‌زدایی، پلیمریزاسیون و تراکم مجدد را در بر می‌گیرد که هم‌زمان در یک راکتور آبی رخ می‌دهند. این دگرگونی‌ها ترکیب عنصری، گروه‌های عاملی سطح و ریزساختار زیست‌توده اولیه را تغییر می‌دهند؛ در نتیجه، حتی تغییرات جزئی در شرایط عملیاتی نیز ممکن است موادی با ویژگی‌های بسیار متفاوت ایجاد کند. ناهمگونی مواد اولیه این مشکل را تشدید می‌کند. برای مثال، دو محموله از یک نوع پسماند کشاورزی ممکن است از نظر رطوبت، میزان خاکستر و ترکیب لیگنوسلولزی متفاوت باشند. این تفاوت‌ها تکرارپذیری نتایج را هم میان آزمایشگاه‌های مختلف و هم در آزمایش‌های جداگانه یک مرکز کاهش می‌دهند.

طراحی آزمایش‌ها یا DoE، شاخه‌ای از آمار که ریشه در آزمایش‌های میدانی کشاورزی و کنترل کیفیت صنعتی دارد، روشی ساختارمند برای مدیریت این پیچیدگی فراهم می‌کند. در این رویکرد، به‌جای تغییر دادن هر عامل به‌صورت جداگانه، چارچوب‌هایی مانند طرح‌های عاملی و روش‌شناسی سطح پاسخ، متغیرهای متعدد را به‌طور هم‌زمان و با استفاده از طرح‌های آزمایشی کارآمد از نظر آماری بررسی می‌کنند. در فرایند کربونیزاسیون هیدروترمال، دمای واکنش، زمان ماند، نسبت جامد به مایع در راکتور، فشار سامانه و استفاده از کاتالیزگرها از مهم‌ترین متغیرها هستند. طراحی آزمایش‌ها با اندازه‌گیری اثر مستقل هر متغیر و همچنین برهم‌کنش میان متغیرها، مجموعه‌داده‌هایی ساختارمند تولید می‌کند که مشخص می‌سازند کدام پارامترها بیشترین اهمیت را دارند و چگونه در کنار یکدیگر بر محصول نهایی اثر می‌گذارند.

یادگیری ماشین محدودیت‌های طراحی آزمایش‌ها را برطرف می‌کند. مدل‌های کلاسیک سطح پاسخ، معادلات چندجمله‌ای نسبتاً ساده‌ای را بر داده‌های آزمایشی برازش می‌کنند؛ اما شبکه واکنش‌های کربونیزاسیون هیدروترمال به‌شدت غیرخطی است و شامل برهم‌کنش‌های مرتبه‌بالایی می‌شود که ثبت آن‌ها با مدل‌های چندجمله‌ای دشوار است. این مقاله مروری به توانایی الگوریتم‌هایی مانند شبکه‌های عصبی مصنوعی، روش‌های تجمیعی، تقویت گرادیانی و رویکردهای بیزی در یادگیری مستقیم این روابط غیرخطی از داده‌ها اشاره می‌کند؛ قابلیتی که می‌تواند دقت پیش‌بینی ویژگی‌های مهم مواد را به‌طور چشمگیری افزایش دهد. از مهم‌ترین ویژگی‌های مورد پیش‌بینی می‌توان به بازده جرمی، ارزش حرارتی بالاتر، میزان کربن ثابت، میزان حفظ کربن و شاخص‌های ساختاری و شیمیایی اشاره کرد؛ عواملی که تعیین می‌کنند هیدروچار تا چه اندازه برای جذب آلاینده‌ها یا استفاده به‌عنوان ماده اولیه ساخت مواد الکتروشیمیایی مناسب است.

نویسندگان استدلال می‌کنند که ترکیب این دو رویکرد، مزایایی فراتر از مجموع قابلیت‌های جداگانه آن‌ها دارد. طراحی آزمایش‌ها، چارچوب آماری مستحکمی برای اجرای آزمایش‌ها فراهم می‌کند و اطمینان می‌دهد که داده‌های آموزشی مدل یادگیری ماشین، محدوده عملیاتی موردنظر را به‌درستی پوشش می‌دهند. در مقابل، یادگیری ماشین توانایی پیش‌بینی روابطی را فراهم می‌کند که از دید مدل‌های کلاسیک پنهان می‌مانند. این ترکیب به‌ویژه برای بهینه‌سازی چندهدفه اهمیت دارد؛ زیرا مهندسی هیدروچار با تعارض میان اهداف مختلف روبه‌رو است. افزایش چگالی انرژی که مستلزم بالا بردن ارزش حرارتی و میزان کربن ثابت است، اغلب با حفظ گروه‌های عاملی اکسیژن‌دار و ایجاد تخلخل در تضاد قرار می‌گیرد. با این حال، همین ویژگی‌های سطحی و ساختاری تعیین می‌کنند که هیدروچار تا چه اندازه می‌تواند آلاینده‌ها را از آب جذب کند یا به‌عنوان بستری برای تولید مواد کربنی پیشرفته به کار رود.

هدف بهینه‌سازی کاملاً به کاربرد نهایی ماده بستگی دارد. هیدروچاری که برای سوخت جامد تولید می‌شود، باید در شرایطی ساخته شود که میزان کربن و ارزش حرارتی آن افزایش یابد. در مقابل، برای کاربردهای تصفیه آب و گاز، حفظ دقیق گروه‌های عاملی سطح و ساختار منافذ اهمیت دارد. در گروه سومی از کاربردها، هیدروچار به‌عنوان ماده اولیه تولید مواد کربنی پیشرفته استفاده می‌شود و در این حالت، اولویت‌ها دوباره تغییر می‌کنند. از آنجا که این اهداف اغلب با یکدیگر تعارض دارند، مقاله تأکید می‌کند که ترکیب یادگیری ماشین با طراحی آزمایش‌ها امکان ترسیم صریح سطوح مصالحه میان اهداف را فراهم می‌سازد. به این ترتیب، پژوهشگران می‌توانند محدوده‌هایی از شرایط عملیاتی را شناسایی کنند که میان نیازهای رقیب تعادل برقرار می‌کنند، به‌جای آنکه تنها یک ویژگی را به‌طور مستقل بهینه سازند.

با وجود این ظرفیت‌ها، مقاله مروری به‌روشنی محدودیت‌هایی را نیز مطرح می‌کند که در حال حاضر مانع تعمیم‌پذیری نتایج و استحکام کاربردهای صنعتی می‌شوند. کیفیت داده‌ها و امکان مقایسه نتایج پژوهش‌های مختلف از جدی‌ترین چالش‌ها هستند. عملکرد مدل‌های یادگیری ماشین به کیفیت مجموعه‌داده‌هایی بستگی دارد که با آن‌ها آموزش می‌بینند؛ در حالی که مطالعات کربونیزاسیون هیدروترمال از تعاریف، پروتکل‌های اندازه‌گیری و استانداردهای گزارش‌دهی متفاوتی استفاده کرده‌اند. بنابراین، ادغام داده‌های منتشرشده در مقالات مختلف ممکن است به آموزش مدل‌هایی بر پایه ورودی‌های ناسازگار منجر شود. این مشکل برای پژوهشگرانی که در حوزه‌های دیگر شیمی و علم مواد نیز می‌کوشند از داده‌های ناهمگون موجود در منابع علمی مدل‌های پیش‌بینی بسازند، آشناست.

تفسیرپذیری مدل‌ها مانع مهم دیگری است. شبکه‌های عصبی عمیق و مدل‌های تجمیعی پیچیده ممکن است دقت پیش‌بینی چشمگیری داشته باشند، اما اغلب مانند جعبه سیاه عمل می‌کنند و توضیح روشنی درباره علت نتیجه حاصل از ترکیب مشخصی از دما، زمان و نوع ماده اولیه ارائه نمی‌دهند. در حوزه‌ای که هنوز در پی درک سازوکارهای واکنش‌های پیچیده خود است، مدل‌هایی که امکان بررسی و تفسیر آن‌ها وجود ندارد، ممکن است به ابزارهایی برای پیش‌بینی تبدیل شوند که قدرت توضیح علمی محدودی دارند. این مقاله پیشنهاد می‌کند که راهبردهای ترکیبی، در آن‌ها ساختار طراحی آزمایش‌ها به پیش‌بینی‌های یادگیری ماشین چارچوب می‌دهد و به تفسیر آن‌ها کمک می‌کند، می‌توانند به توسعه مدل‌هایی بینجامند که هم دقیق باشند و هم از نظر علمی معنادار.

مدیریت نظام‌مند تغییرپذیری زیست‌توده نیز از دیگر چالش‌های حل‌نشده است. ترکیب مواد اولیه بر اساس فصل، منطقه جغرافیایی و فرایندهای آماده‌سازی پیشین تغییر می‌کند؛ بنابراین، مدلی که با یک نوع زیست‌توده آموزش دیده باشد، ممکن است هنگام استفاده برای نوعی دیگر عملکرد ضعیفی داشته باشد. از این رو، یکی از اولویت‌های روش‌شناختی برای انتقال تولید هیدروچار از مرحله آزمایشگاهی به صنعت آن است که تغییرپذیری مواد اولیه از ابتدا در طراحی آزمایش‌ها و ورودی‌های مدل لحاظ شود، نه اینکه صرفاً به‌عنوان نویز در نظر گرفته شود.

در مجموع، این مقاله مروری نقشه راهی برای گذار از تنظیم تجربی شرایط فرایند کربونیزاسیون هیدروترمال به مهندسی مبتنی بر داده و با هدف دستیابی به ویژگی‌های مشخص ارائه می‌دهد. با ترکیب طراحی آماری دقیق آزمایش‌ها و یادگیری ماشینی که قادر به شناسایی روابط غیرخطی پیچیده و برهم‌کنش‌های مرتبه‌بالاست، پژوهشگران می‌توانند ابتدا ویژگی‌های موردنیاز هیدروچار را تعیین کنند و سپس شرایط عملیاتی لازم برای تولید آن را به دست آورند. نویسندگان مسیرهای روش‌شناختی مختلفی را برای توسعه راهبردهای ترکیبی و قابل‌اعتماد طراحی آزمایش‌ها و یادگیری ماشین مطرح می‌کنند تا طراحی منطقی مواد هیدروچار در مقیاس صنعتی سریع‌تر پیش برود. در صورت تکامل این راهبردها، راکتورهای تبدیل زیست‌توده مرطوب می‌توانند به سکویی قابل پیش‌بینی برای تولید مواد کربنی متناسب با کاربردهای انرژی، محیط‌زیست و الکتروشیمی تبدیل شوند.

موضوع پژوهش: یادگیری ماشین هدایت‌شده با طراحی آزمایش‌ها برای پیش‌بینی ویژگی‌های هیدروچار در فرایند کربونیزاسیون هیدروترمال

عنوان مقاله: به‌سوی پیش‌بینی‌پذیری ویژگی‌های هیدروچار در مقیاس صنعتی: مروری انتقادی بر یادگیری ماشین هدایت‌شده با طراحی آزمایش‌ها در کربونیزاسیون هیدروترمال

منبع مقاله: El Ouadrhiri, F., & Lahkimi, A. (2026). Toward predictable hydrochar properties at scale: a critical review of design of experiments-guided machine learning in hydrothermal carbonization. Frontiers in Chemical Engineering, 8, Article 1883652. https://doi.org/10.3389/fceng.2026.1883652

اعتبار تصویر: تولیدشده با هوش مصنوعی

شناسه DOI: 10.3389/fceng.2026.1883652

کلیدواژه‌ها: کربونیزاسیون هیدروترمال، هیدروچار، یادگیری ماشین، طراحی آزمایش‌ها، تبدیل زیست‌توده، روش‌شناسی سطح پاسخ، شبکه‌های عصبی، بهینه‌سازی چندهدفه، ارزش حرارتی بالاتر، جذب، مواد کربنی، مدل‌سازی داده‌محور

منبع خبر: ترزا اودوم، ۱۶ اکتبر ۲۰۲۶، «ترکیب یادگیری ماشین و طراحی آزمایش‌ها برای پیش‌بینی ویژگی‌های هیدروچار در مقیاس صنعتی»، Scienmag.