6 دقیقه
طرح جدید مبتنی بر یادگیری ماشین، انتقال توان بیسیم را پایدار میکند
دانشمندان در ژاپن روشی مبتنی بر یادگیری ماشین برای طراحی سیستمهای انتقال توان بیسیم (WPT) معرفی کرده‌اند که ولتاژ خروجی را حتی در صورت تغییر بار الکتریکی پایدار نگه می‌دارد. این مطالعه که در ژوئن 2025 در IEEE Transactions on Circuits and Systems منتشر شد، فرایندی طراحی را توصیف میکند که سخت‌افزاری مستقل از بار (LI) تولید میکند — سخت‌افزاری که صرف‌نظر از دستگاهی که تغذیه می‌شود، کارایی بالای انتقال و حداقل نوسان ولتاژ را حفظ میکند. این پیشرفت به یکی از محدودیتهای اصلی شارژ بیسیم و سیستمهای توان تشدیدی پرداخته و میتواند استفاده گسترده‌تر در الکترونیک مصرفی، حسگرهای پزشکی، خودروهای برقی و کاربردهای صنعتی را تسریع کند.
پیش‌زمینه علمی: تشدید، بارها و اهمیت پایداری
نحوه کار انتقال توان بیسیم تشدیدی
سیستمهای WPT معمولاً از کوپلینگ القایی تشدیدی استفاده می‌کنند: فرستنده انرژی را بین یک خازن و یک سلف نوسان میدهد تا موج الکترومغناطیسیای با فرکانس هدف تولید شود. گیرندهای که روی همان فرکانس تنظیم شده است با آن موج تشدید میکند و امکان جذب کارآمد انرژی را فراهم می‌آورد. این اصل مشابه کاری است که یک رادیو یا تلویزیون برای انتخاب و تقویت یک فرکانس پخش مشخص انجام میدهد.
مسئله وابستگی به بار
اکثر سیستمهای عملی WPT به بار وابسته‌اند: عملکرد آنها — ولتاژ تحویلی و کارایی انتقال — با تغییر مشخصههای الکتریکی گیرنده دچار تغییر می‌شود. شارژ یک باتری نمونه‌ای روشن است: مقاومت داخلی باتری در حین شارژ تغییر میکند که میتواند در یک سیستم WPT وابسته به بار باعث نوسانات ولتاژ شود. باتری‌های بزرگ برای خودروهای برقی یا ایمپلنت‌های پزشکی با بار متغیر می‌توانند تغییرات بار بزرگ‌تری ایجاد کنند. نوسانات ولتاژ میتواند به دستگاهها آسیب برساند، باعث کندتر شدن شارژ شود و استفاده از انرژی را ناکارآمد کند.
کاربرد یادگیری ماشین در طراحی مدار و سیستم
این تکنیک جدید مدل مجازی از یک سیستم WPT می‌سازد و از هوش مصنوعی برای اجرای شبیه‌سازی‌های مکرر استفاده میکند. هوش مصنوعی شاخص‌های عملکردی مانند انرژی تلف‌شده بهصورت گرما، پایداری شکل موج خروجی و کارایی کلی انتقال را ارزیابی میکند. از طریق بهینهسازی تکراری مبتنی بر آزمون و خطا، الگوریتم مقادیر قطعات، پارامترهای کنترلی و شرایط عملیاتی را شناسایی میکند که نوسان ولتاژ و اتلاف انرژی را به حداقل و کارایی را به حداکثر می‌رسانند.
طبق مقاله، سیستم LI بهینه‌شده با یادگیری ماشین نوسانات ولتاژ را تا حدود ۵٪ کاهش داد در مقابل ۱۸٪ در طراحی‌های مشابه وابسته به بار. کارایی انتقال در پیکربندی بهینه به ۸۶٫۷٪ افزایش یافت، در حالی که سیستم‌هایی که در معرض بار متغیر قرار می‌گیرند می‌توانند تا حدود ۶۵٪ کارایی کاهش یابند.
اکتشافات کلیدی و پیامدهای عملی
اکتشاف اصلی این است که بهینهسازی خودکار و داده‌محور میتواند سخت‌افزار و استراتژی‌های کنترلی WPT را تولید کند که به‌طور ذاتی نسبت به تغییرات بار حساسیت کمتری دارند. نویسنده ارشد هیروئو سکیا از دانشکده تحصیلات تکمیلی علوم یکپارچه پیشرفته دانشگاه چیبا اهداف عملی را چنین تأکید کرد: «ما مطمئنیم که نتایج این تحقیق گامی مهم به سوی جامعه‌ای کاملاً بیسیم است. علاوه بر این، به‌دلیل عملکرد مستقل از بار، سیستم WPT را می‌توان بهصورت ساده‌تری ساخت که در نتیجه هزینه و اندازه را کاهش میدهد. هدف ما رایج شدن WPT در ۵ تا ۱۰ سال آینده است.»
WPT مستقل از بار میتواند طراحی سیستم برای ایستگاه‌های شارژ بیسیم را ساده کند، نیاز به تنظیم فعال پیچیده در گیرنده‌ها را کاهش دهد و تحویل انرژی بیسیم را برای کاربردهای حیاتی مانند دستگاه‌های پزشکی کاشته‌شده و شارژ خودروهای برقی که بارهای بسیار متغیری دارند، قابل‌اعتمادتر سازد.
فناوری‌های مرتبط و نقش هوش مصنوعی در الکترونیک قدرت
این کار یک روند بزرگ‌تر را نشان میدهد: به‌کارگیری یادگیری ماشین برای بهینهسازی مدارها و سیستمهای الکترونیک قدرت. سنتز مدار مبتنی بر هوش مصنوعی و تنظیم پارامترها میتواند زمان طراحی را کاهش دهد، راه‌حل‌های غیربدیهی را کشف کند و میدان را به‌سمت طراحی خودکار مدارها پیش ببرد. ترکیب با کنترل تطبیقی، دوقلای دیجیتال (digital twin) و حسگری در زمان واقعی میتواند عملکرد و ایمنی شبکه‌های WPT مستقر را بیش‌تر بهبود بخشد.
دیدگاه کارشناسی
دکتر مایا پاتل، مهندس فرضی سیستمهای الکترونیک قدرت که روی زیرسیستم‌های توان فضاپیما کار کرده است، می‌گوید: «دستیابی به استقلال از بار در انتقال توان تشدیدی بیسیم یک نقطه عطف معنادار است. برای کاربردهای فضایی و زمینی، هرچه طراحان مفروضات کمتری درباره بار داشته باشند، سیستم مقاوم‌تر و انعطاف‌پذیرتر می‌شود. بهینهسازی مبتنی بر یادگیری ماشین میتواند نقاط عملیاتی و قوانین کنترلی را کشف کند که طراحان انسانی ممکن است نادیده بگیرند، که زمانی ضروری است که هم کارایی و هم قابل‌اطمینان بودن مورد نیاز باشد.»
چشم‌اندازها و چالش‌های آینده
پیش از رایج شدن WPT مستقل از بار، چندین مسئله فنی و مقرراتی باقی است. مقیاس‌بندی این رویکرد به بردهای طولانی‌تر و سطوح توان بالاتر — مانند آنچه برای شارژ خودرو یا پهپاد لازم است — نگرانی‌هایی را در زمینه مدیریت حرارتی و سازگاری الکترومغناطیسی ایجاد میکند. محدودیتهای ایمنی درباره مواجهه انسان با میدان‌های الکترومغناطیسی، استانداردها برای سازگاری میان فرستنده‌ها و گیرنده‌ها، و کاهش هزینههای تولید نیز بر پذیرش تأثیر خواهند گذاشت. با این حال، بهبودهای گزارش‌شده در کارایی و کاهش تغییرپذیری ولتاژ نشان میدهد که طراحی‌های هدایت‌شده توسط یادگیری ماشین می‌توانند شارژ بیسیم را ایمن‌تر، کوچک‌تر و مقرون‌به‌صرفه‌تر سازند.
نتیجه‌گیری
روش مبتنی بر یادگیری ماشین توسعه‌یافته توسط پژوهشگران ژاپنی سیستمهای انتقال توان بیسیم مستقل از بار تولید میکند که به‌طور چشمگیری نوسانات ولتاژ را کاهش داده و کارایی انتقال را افزایش میدهد. با ترکیب اصول انتقال تشدیدی با بهینهسازی هدایت‌شده توسط هوش مصنوعی، این کار به‌سوی شارژ بیسیم مقاوم‌تر، فشرده‌تر و مقرون‌به‌صرفه‌تر در الکترونیک مصرفی، خودروهای برقی و دستگاه‌های پزشکی اشاره میکند. همزمان که طراحی مدار هدایت‌شده توسط هوش مصنوعی بالغ‌تر می‌شود، ابزارهای خودکار می‌توانند گذار به اکوسیستمی کارآمدتر و پرآبشاری بیسیم را تسریع کنند.
منبع: livescience
.avif)
نظرات