نموذج هجين جديد يمزج محاكاة الفيزياء بالذكاء الاصطناعي للتنبؤ بشيخوخة البطاريات

نموذج يتنبأ بعمر البطاريات دون الانتظار سنوات

كشف باحثون عن BattVAE-GP، إطار عمل هجين يجمع بين النمذجة الفيزيائية الكهروكيميائية والتعلم الآلي الاحتمالي (Probabilistic Machine Learning) للتنبؤ بكيفية تدهور بطاريات الليثيوم-أيون مع مرور الوقت. الورقة البحثية، التي قُدّمت إلى أرشيف "آركايف" (arXiv) في 11 يوليو 2026، تعالج مشكلة عالقة في هندسة البطاريات: كيف تتنبأ بحالة صحة الخلية (State of Health - SOH) دون الحاجة لانتظار بيانات ميدانية تستغرق سنوات، أو تشغيل محاكاة كاملة مكلفة لكل سيناريو استخدام محتمل.

يقوم الإطار على بيانات تدهور اصطناعية (Synthetic Data) تُولّد بواسطة نموذج دويل-فولر-نيومان (Doyle-Fuller-Newman - DFN)، المعروف أيضاً بالنموذج الكاذب ثنائي الأبعاد (Pseudo-Two-Dimensional - P2D)، وهو نموذج كهروكيميائي مُنفَّذ عبر مكتبة "باي بامّ" (PyBaMM)، مكتبة مفتوحة المصدر شائعة الاستخدام لمحاكاة البطاريات. لكن بدلاً من الاعتماد على هذا النموذج الفيزيائي مباشرة في كل تنبؤ، وهو أمر مكلف حسابياً، استخدمه الباحثون لتدريب نموذج بديل أسرع (Surrogate Model).

يُبنى هذا النموذج البديل على مرحلتين. في الأولى، يقوم مُرمِّز تلقائي تبايني (Variational Autoencoder - VAE) بضغط بيانات التدهور، دورة تلو الأخرى، في فضاء كامن (Latent Space) ثنائي الأبعاد ومكثف، بحيث يُقطّر محاكاة فيزيائية معقدة وعالية الأبعاد إلى مجموعة صغيرة من الخصائص المتعلَّمة. في المرحلة الثانية، تُدرَّب عملية غاوسية متفرقة متعددة المهام (Sparse Multitask Gaussian Process) داخل ذلك الفضاء الكامن، باستخدام رقم الدورة (Cycle Number) ومعدل الشحن/التفريغ (C-rate) - وهو مقياس لسرعة الشحن والتفريغ نسبة إلى سعة البطارية - كمدخلات لها.

لماذا تُحدث الطبقة الاحتمالية فرقاً؟

المكوّن الغاوسي هو ما يمنح BattVAE-GP قيمته المميزة؛ فبدلاً من إخراج تقدير صحي حتمي واحد، يُنتج النموذج توزيعاً احتمالياً كاملاً (Posterior Distribution) للنتائج الممكنة. ومن خلال تشغيل انتشار مونت كارلو (Monte Carlo Propagation) عبر هذا التوزيع الكامن، يُصدر النموذج تقديرات لحالة صحة البطارية مصحوبة بحدود عدم يقين مُحدَّدة كمياً، لا مجرد رقم جاف.

هذا الفارق مهم جداً لأي طرف يُشغّل بطاريات في الواقع، سواء في السيارات الكهربائية أو تخزين الشبكة أو الأجهزة الاستهلاكية. فوجود فترة ثقة حول تنبؤ التدهور يسمح للمهندسين باتخاذ قرارات صيانة أو استبدال أكثر تحفظاً أو جرأة، حسب درجة تحمل المخاطر، وهو ما لا يوفره تنبؤ برقم واحد. كما يتيح للنموذج تحديد اللحظة التي يتجاوز فيها الظروف التي شاهدها أثناء التدريب، وهي مشكلة شائعة تواجه النماذج البديلة القائمة على البيانات بشكل خالص.

الجسر بين الفيزياء والنمذجة القائمة على البيانات

تكمن الأهمية الأوسع لـ BattVAE-GP في فلسفة تصميمه الهجينة. فالنماذج الكهروكيميائية الخالصة كـ DFN/P2D دقيقة فيزيائياً لكنها مكلفة حسابياً عند التطبيق على نطاق واسع، بينما النماذج البديلة القائمة على التعلم الآلي فقط والمُدرَّبة على بيانات بطاريات حقيقية سريعة، لكنها غالباً تعاني في قياس عدم اليقين (Uncertainty Quantification) والتعميم خارج نطاق بياناتها التدريبية. عبر استخدام المحاكاة الفيزيائية لتوليد بيانات التدريب، ثم ضغط تلك المعرفة في عملية غاوسية خفيفة داخل فضاء كامن، يسعى الباحثون للجمع بين مزايا الأسلوبين: مسارات تدهور متسقة فيزيائياً، مع سرعة ودقة احتمالية يوفرها التعلم الآلي الحديث.

لم تظهر أي تناقضات أو ادعاءات متنازع عليها في التقارير المتاحة حول هذا العمل. تفاصيل الورقة البحثية، من خط أنابيب توليد البيانات القائم على PyBaMM إلى الفضاء الكامن الثنائي الأبعاد للمُرمِّز التبايني وبنية العملية الغاوسية متعددة المهام، موثقة باتساق في المصدر الأصلي.