فريق بحثي من كلية الهندسة بجامعة كركوك ينشر بحثاً علمياً في مجلة عالمية رصينة ضمن الربع الأول

في إنجاز علمي يعكس الحضور البحثي لجامعة كركوك في المحافل الأكاديمية الدولية، نشر فريق بحثي من قسم الهندسة الميكانيكية في كلية الهندسة، بالتعاون مع باحثين من جامعات تركية وباحث من كلية العلوم وتكنولوجيا المعلومات في الجامعة، بحثاً علمياً متخصصاً في مجال الذكاء الاصطناعي وتطبيقاته في أنظمة التبريد والطاقة، ضمن مجلة International Journal of Heat and Fluid Flow العالمية، الصادرة عن دار النشر Elsevier، والمصنفة ضمن الربع الأول (Q1)، والمفهرسة في مستوعبي Scopus وWeb of Science التابع لـ Clarivate.
ونُشر البحث الموسوم:
"A Physics-Guided Fourier-Transformer Surrogate Model for a Vapor-Compression Cycle with Strong Generalization Under Distribution Shift: Benchmarking Against Koopman-Inspired State-Space Learning"
وشارك في إنجاز البحث من كلية الهندسة كل من الأستاذ المساعد أحمد حسن غريب، والأستاذ المساعد الدكتور علي حسين عبد الكريم، إلى جانب باحثين من جامعات تركية وباحث من كلية العلوم وتكنولوجيا المعلومات ا.م.د. اورهان نورالدين في جامعة كركوك.
ويهدف البحث إلى تطوير نموذج ذكي قائم على تقنيات التعلّم الآلي، يستند إلى المبادئ والقوانين الفيزيائية للتنبؤ بأداء أنظمة التبريد العاملة بدورة الانضغاط البخاري، مع تعزيز موثوقية التنبؤات وقدرة النموذج على التعميم عند تغيّر ظروف التشغيل واختلاف البيانات عن أنماط التدريب الأصلية.
وتناول البحث تطوير نموذج يعتمد على تقنية المحوّل فورييه (Fourier Transformer) لتمثيل العلاقات المعقدة بين المتغيرات الحرارية، ودمج المعرفة الفيزيائية مع خوارزميات التعلّم الآلي للحد من التنبؤات غير المتوافقة مع السلوك الفيزيائي للنظام. كما اختبر الباحثون أداء النموذج في دورة تبريد تستخدم مائع التبريد R1234yf، مع دراسة تأثير إضافة مواد نانوية، من بينها الألومينا والغرافين وأنابيب الكربون النانوية.
وتضمّنت الدراسة مقارنة أداء النموذج المقترح بعدد من نماذج التعلّم الآلي، من بينها الشبكات العصبية الاصطناعية (ANN)، ونماذج التعلّم الآلي المدمجة مع المعرفة الفيزيائية، فضلاً عن نماذج مستوحاة من نظرية كومان لتعلّم فضاء الحالة، بهدف تقييم دقة التنبؤ وكفاءة التكيّف مع التحولات في ظروف التشغيل.
وأظهرت نتائج البحث قدرة النموذج المقترح، ولا سيما النموذج المعروف باسم PG-FNT، على تحقيق أداء تنبؤي جيد، مع تفوّقه على الشبكات العصبية التقليدية في بعض مقاييس الخطأ. كما بيّنت النتائج إمكانية تكييف النموذج مع تغيّر ظروف التشغيل باستخدام عشر عينات إضافية معلّمة، مع تقييم أدائه على مجموعة مستقلة تضم عشرين عينة.
وتبرز أهمية هذا البحث في تقديم مقاربة علمية تجمع بين المعرفة الفيزيائية وتقنيات الذكاء الاصطناعي، بما يسهم في تطوير نماذج تنبؤية أكثر موثوقية لأنظمة التبريد والطاقة، ويعزز فرص توظيف تقنيات التعلّم الآلي في التطبيقات الهندسية التي تتطلب دقة عالية وقدرة على التعامل مع تغيّر ظروف التشغيل.
رابط البحث العلمي:
https://doi.org/10.1016/j.ijheatfluidflow.2026.110764