عصر جديد من بناء الأفران الذكية: خوارزميات خفيفة الوزن تُمكّن من تحديد مواقع الطوب الحراري بدقة أكبر

في الصناعات عالية الحرارة، مثل الصلب والمعادن ومواد البناء، يُعد الطوب الحراري مادةً أساسيةً لا غنى عنها في الأفران. فهو يحافظ على ثبات هيكل الفرن في درجات الحرارة العالية، ويمنع تلفه. عادةً، يتراوح وزن الطوب الحراري الواحد بين 5 و40 كجم، بينما يتطلب فرن فحم الكوك الكبير غالبًا ما يصل إلى 6600 طن من الطوب الحراري، مع ما يصل إلى 760 نوعًا مختلفًا. هذا يعني أن أي خطأ بسيط قد يُسبب مشاكل في عملية بناء الفرن بأكملها.

لماذا من الضروري "تحديد" الطوب الحراري؟

أثناء بناء فرن فحم الكوك، لا تُرصّ الطوب الحراري عشوائيًا؛ بل تُربط بإحكام في الغالب باستخدام وصلة نقر ولسان. على الرغم من ثبات هذا الهيكل، إلا أنه يُمثل تحديات للبناء الآلي:

الحدود بين الطوب غير واضحة، مما يُسهّل تمييزها خطأً كقطعة واحدة؛

إذا كانت قبضة الروبوت غير دقيقة، فقد يسقط الطوب، أو حتى يُتلف هيكل الفرن؛

قد تُسبب الانحرافات الطفيفة في عمق وضع كل طوبة عدم محاذاة في عمليات التركيب اللاحقة.

ولمعالجة هذه المشكلات، اقترح الباحثون خوارزمية خفيفة الوزن للتعرف على الطوب الحراري وتحديد موقعه لمساعدة روبوتات البناء على "رؤية" الطوب بشكل أكثر ذكاءً و"التعامل" معه بدقة.

خوارزمية خفيفة الوزن، تجعل الروبوتات أكثر ذكاءً

يتمثل جوهر هذه الخوارزمية في تحسين نموذج التعرف على الأشياء الحالي YOLOv8. YOLO هي خوارزمية شائعة جدًا للتعرف على الصور، يمكنها تحديد موقع الأشياء في الصورة في وقت قصير جدًا. ومع ذلك، عند التعامل مع "طوب حراري متقارب"، لا يزال نموذج YOLO العادي يعاني من عدم الكشف عن مواقع الأشياء أو الكشف عنها بشكل خاطئ. استخدم الباحثون ثلاثة ابتكارات رئيسية:

التوليف العشوائي متعدد الحدود للسمات

من خلال محاكاة الترتيب المتقارب للطوب، يتم توليد بيانات صور أكثر تنوعًا للطوب، مما يسمح للنموذج بمعاينة الاحتمالات المختلفة.

وحدة الاهتمام الشامل (GAM) ودالة الخسارة المُحسّنة Wise-IoUv3

يُتيح هذا للنموذج التركيز بشكل أكبر على السمات التفصيلية للطوب أثناء التعرف عليه، مثل خطوط الحواف وقوام السطح، مما يُحسّن دقة التعرف.

خوارزميات التقليم تُخفّف من حجم النموذج

من خلال تقليم المعلمات ذات "التأثير الصغير" على الحوسبة، يُصبح النموذج أصغر حجمًا وأسرع. في النهاية، يحتوي النموذج على 0.211 مليون معلمة فقط وحمل حسابي يبلغ 0.856G فقط، أي أقل بنسبة تزيد عن 90% مقارنةً بالنموذج الأصلي.

التحديد الدقيق للمواقع: من ثنائي الأبعاد إلى ثلاثي الأبعاد

التعرف ليس سوى الخطوة الأولى؛ إذ يحتاج الروبوت أيضًا إلى معرفة "مكان الطوبة ومدى عمق وضعها". استخدم الباحثون خوارزمية تجزئة معلومات العمق، تجمع بيانات سحابة النقاط، لتمكين النموذج من تحديد الموقع ثلاثي الأبعاد للطوبة بدقة استنادًا إلى التعرف ثنائي الأبعاد.

في التجارب، عندما تراوح عمق الطوبة بين 800 مم و1000 مم، كان متوسط خطأ القياس 0.28% فقط. هذا يعني أن الروبوت قادر على الإمساك بدقة تكاد تصل إلى مستوى المليمتر.

نتائج التجارب مبهرة.

أظهرت الاختبارات التي أُجريت على منصة روبوت بناء الطوب في فرن الكوك ما يلي:

متوسط دقة التعرف: 98.83%

تقليل المعاملات: 92.99%

تقليل حساب الفاصلة العائمة: 89.56%

هذا لا يزيد من دقة التعرف لدى الروبوت فحسب، بل يسمح له أيضًا بالعمل بكفاءة في بيئات الموقع ذات موارد الحوسبة المحدودة.

الأهمية وآفاق التطبيق

لا يُعد هذا البحث إنجازًا كبيرًا في مجال التعرف على الطوب الحراري فحسب، بل يُعد أيضًا خطوةً مهمةً في مجال الأتمتة الصناعية. فمن خلال خوارزميات خفيفة الوزن، يُمكن لروبوت البناء إنجاز مهام التعرف وتحديد المواقع المعقدة في ظل ظروف معدات محدودة، مما يُحسّن بشكل كبير من أتمتة وسلامة بناء أفران الكوك.

في المستقبل، يُمكن تطبيق هذا النوع من الخوارزميات أيضًا في:

صيانة الأفران وفحصها؛

الإدراك البصري للروبوت الصناعي؛

التجميع الذكي لمكونات المباني الجاهزة، إلخ.

ملخص

تُحدد جودة وكثافة الطوب الحراري (على سبيل المثال، كثافة 2.4 إلى 3.0 غ/سم³) قدرته على الحفاظ على متانته في درجات الحرارة العالية، بينما تُحدد خوارزميات التعرف الذكية إمكانية "وضعه" بدقة في الموضع الصحيح.

لم يُحسّن ظهور خوارزميات التعرف وتحديد المواقع للطوب الحراري خفيف الوزن دقة التعرف فحسب، بل وفّر أيضًا أساسًا تكنولوجيًا متينًا "للآلات التي تحل محل بناء الأفران اليدوي".

يمكن اعتبار هذا مثالاً رئيسيًا للتكامل العميق بين المواد المقاومة للحرارة التقليدية والذكاء الاصطناعي.