مروری بر کاربرد یادگیری ماشین در مدل‏سازی ستون‌های استخراج ضربه‏‏ ای

در بسیاری از موارد با سیستم‌ها یا فرآیندهایی مواجه می‌شویم که تعیین رابطه بین پارامترهای وابسته و مستقل در آن‌ها پیچیده است. استخراج مایع-مایع در ستون‌های ضربه‏‏ای یکی از این مثال‌هاست که می‌توان مقادیر خروجی را برای مقادیر مشخص پارامترهای ورودی به‌صورت تجربی به‌دست آورد، اما توسعه یک مدل ریاضی که رفتار و وابستگی متقابل پارامترهای فرآیند را به‌درستی توصیف کند، بسیار دشوار است. علاوه بر این، حل معادلات چنین مدل‌هایی، به ویژه در سیستم‌های غیرخطی، پیچیده و زمان‌بر است و نیاز به تخصص فنی بالایی دارد. در چنین شرایطی، مدل‏های هوشمند مبتنی بر یادگیری ماشین به‌عنوان روشی کارآمد برای مدل‌سازی روابط بین متغیرهای فرآیند و پیش‌بینی مقادیر خروجی مورد توجه قرار گرفته‌اند. این مدل‏ها قابلیت شبیه‌سازی دقیق سیستم‌های پیچیده و غیرخطی را دارند و محدودیت‌های روش‌های سنتی را در مدل‌سازی کاهش می‌دهند. این مقاله یک مرور جامع از پژوهش‌های اخیر در زمینه مدل‌های هوشمند برای ستون‌های ضربه‏‏ای ارائه می‌دهد و روند رشد و تمرکز تحقیقات در این حوزه را تحلیل می‌کند. نتایج نشان می‌دهد که این مدل‌ها عملکرد دقیق‌تر و قابل اعتمادتر نسبت به مدل‌های نیمه‌تجربی ارائه می‌کنند و استفاده از مدل‌های هوشمند در سال‌های اخیر به‌طور فزاینده‌ای مورد توجه قرار گرفته است.