AI-д суурилсан програм хангамжийн инженерчлэл, зохион байгуулалтаар газрын гүний дулааны нөөцийг нээх

** AI-д суурилсан програм хангамжийн инженерчлэл, зохион байгуулалтаар газрын гүний дулааны нөөцийг нээх**

Газрын гүний дулааны эрчим хүч нь цэвэр, сэргээгдэх, найдвартай эрчим хүчний эх үүсвэр бөгөөд хүлэмжийн хийн ялгарлыг бууруулах, уур амьсгалын өөрчлөлтийг бууруулахад чухал хувь нэмэр оруулах боломжтой. Гэсэн хэдий ч газрын гүний дулааны эрчим хүчийг ашиглахын тулд дэлхийн гүнээс дулааныг гаргаж авах нарийн технологи, нарийн төвөгтэй систем шаарддаг. Энэ нийтлэлд бид хиймэл оюун ухаанд суурилсан програм хангамжийн инженерчлэл, зохион байгуулалт нь газрын гүний дулааны энергийн системийг урьдчилан таамаглах загварчлал, оновчлолд зориулж ерөнхий биологийн хиймэл оюун ухаан, том хэлний загвар (LLM) ашиглан газрын гүний дулааны нөөцийг хэрхэн нээж болохыг судлах болно.

Геотермал эрчим хүчний системийн сорилт

Газрын гүний дулааны эрчим хүчний системүүд нь температур, даралт, урсгалын хурд, химийн найрлага зэрэг олон хувьсагчдыг хамарсан цогц бөгөөд динамик юм. Эдгээр хувьсагч нь шугаман бус аргаар харилцан үйлчилдэг тул системийн гүйцэтгэлийг урьдчилан таамаглах, оновчтой болгоход хэцүү болгодог. Уламжлалт аргууд нь эмпирик загварууд болон дүрэмд суурилсан системд тулгуурладаг бөгөөд тэдгээр нь газрын гүний дулааны системийн нарийн төвөгтэй байдлыг олж авах чадвараараа хязгаарлагдмал байдаг.

Generalist Biological AI болон LLMs ашиглах

Ерөнхий биологийн AI ба LLM нь газрын гүний дулааны эрчим хүчний системийг урьдчилан таамаглах загварчлал, оновчтой болгох ирээдүйтэй хандлагыг санал болгодог. Эдгээр хиймэл оюун ухааны загварууд нь том өгөгдлийн багцаас суралцаж, уламжлалт аргуудаар тодорхойгүй хэв маяг, харилцааг тодорхойлох боломжтой. Эдгээр AI загваруудыг ашигласнаар бид системийн гүйцэтгэлийг оновчтой болгож, тоног төхөөрөмжийн эвдрэлийн эрсдлийг бууруулах боломжтой илүү нарийвчлалтай, бат бөх урьдчилан таамаглах загваруудыг боловсруулж чадна.

LangChain болон DSPy: Үр дүнтэй хэрэгжүүлэхэд зориулсан зохион байгуулалтын хэрэгслүүд

LangChain болон DSPy нь хиймэл оюун ухаанд суурилсан газрын гүний дулааны эрчим хүчний системийг хөгжүүлэх, байршуулахад туслах хоёр алдартай зохион байгуулалтын хэрэгсэл юм. LangChain нь AI програмуудыг бүтээхэд уян хатан, модульчлагдсан хүрээ бүхий Python номын сан бөгөөд DSPy нь тархсан тооцоололд зориулсан өндөр гүйцэтгэлтэй, өргөтгөх боломжтой шийдлийг санал болгодог Rust номын сан юм.

Жишээ код: LangChain болон LLM-тэй урьдчилан таамаглах загварчлал

Газрын гүний дулааны эрчим хүчний системийг урьдчилан таамаглах загварчлалд LangChain болон LLM-ийг хэрхэн ашиглахыг харуулсан энгийн жишээ код энд байна.

langchain импортлох
langchain.llms импортын LLM-ээс


llm = LLM("davinci:3-багц")

# Газрын гүний дулааны эрчим хүчний системийн өгөгдлийг тодорхойлох
өгөгдөл = {
    "температур": [20, 30, 40, 50],
    "даралт": [10, 20, 30, 40],
    "урсгалын_хурд": [100, 200, 300, 400]
}

# LangChain дамжуулах хоолой үүсгэ
дамжуулах хоолой = langchain.Pipeline(
    нэр = "Геотермал_загвар",
    даалгавар=[
        langchain.Tasks.TextGeneration(
            оролт_өгөгдөл=өгөгдөл,
            output_data={"температур": Байхгүй, "даралт": Байхгүй, "урсгалын_хувь": Байхгүй},
            llm=llm
        )
    ]
)

# Дамжуулах хоолойг ажиллуул
гаралт = pipeline.run()

# Гаралтыг хэвлэх
хэвлэх (гаралт)

Энэ код нь түүхийн мэдээлэлд үндэслэн газрын гүний дулааны эрчим хүчний системийн температур, даралт, урсгалын хурдыг урьдчилан таамаглахад LLM ашигладаг энгийн LangChain дамжуулах хоолойг тодорхойлдог.

Хамгийн их ашиглагддаг 5-10 тушаал/хэсэг

LangChain болон DSPy-д хамгийн их ашиглагддаг 5-10 тушаал/хэсэг энд байна:

langchain.Pipeline(): Шинэ LangChain дамжуулах шугам үүсгэнэ.
llm=LLM("davinci:3-batch"): Davinci загварыг ашиглан LLM загварыг тодорхойлно.
tasks=[langchain.Tasks.TextGeneration()]: Дамжуулах хоолойд текст үүсгэх даалгаврыг тодорхойлно.
input_data=data: Түүхэн өгөгдлийг дамжуулах хоолойд дамжуулдаг.
output_data={"температур": Байхгүй, "даралт": Байхгүй, "урсгалын_хурд": Байхгүй}: Дамжуулах хоолойн гаралтын өгөгдлийн бүтцийг тодорхойлно.
pipeline.run(): Дамжуулах хоолойг ажиллуулж, гаралтыг үүсгэдэг.
langchain.Tasks.TextGeneration(input_data=data, output_data=output_data, llm=llm): Оролт, гаралтын өгөгдөл бүхий текст үүсгэх ажлыг тодорхойлно.
langchain.Pipeline(name="geothermal_model", tasks=[task]): Тодорхой нэр, даалгавар бүхий шинэ дамжуулах хоолой үүсгэнэ.
llm.predict(input_data=data): Оролтын өгөгдөл дээр үндэслэн гаралтыг таамаглахад LLM ашигладаг.
pipeline.update_tasks(tasks=[new_task]): Дамжуулах хоолойг шинэ ажлуудаар шинэчилнэ.

Дүрслэл

Chart.js ашиглан урьдчилан таамаглах загварчлалын үйл явцын дүрслэлийг энд үзүүлэв.

{
  "төрөл": "шугам",
  "өгөгдөл": {
    "шошго": ["Температур", "Даралт", "Урсгалын хурд"],
    "өгөгдлийн багц": [
      {
        "label": "Таамагласан үнэ цэнэ",
        "өгөгдөл": [20, 30, 40],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "pointBackgroundColor": "rgba(255, 99, 132, 1)",
        "pointBorderColor": "#fff",
        "pointHoverBackgroundColor": "#fff",
        "pointHoverBorderColor": "rgba(255, 99, 132, 1)"
      },
      {
        "label": "Бодит үнэ цэнэ",
        "өгөгдөл": [25, 35, 45],
        "backgroundColor": "rgba(54, 162, 235, 0.2)",
        "borderColor": "rgba(54, 162, 235, 1)",
        "pointBackgroundColor": "rgba(54, 162, 235, 1)",
        "pointBorderColor": "#fff",
        "pointHoverBackgroundColor": "#fff",
        "pointHoverBorderColor": "rgba(54, 162, 235, 1)"
      }
    ]
  },
  "сонголт": {
    "гарчиг": {
      "дэлгэц": үнэн,
      "text": "Геотермал эрчим хүчний системийн урьдчилан таамаглах загварчлал"
    },
    "масштаб": {
      "yAxes": [
        {
          "scaleLabel": {
            "дэлгэц": үнэн,
            "labelString": "Утга"
          }
        }
      ]
    }
  }
}

Энэ дүрслэл нь температур, даралт, урсгалын хурдыг урьдчилан таамагласан (улаан шугам) болон бодит утгуудыг (цэнхэр шугам) харуулж байна.

Дүгнэлт

Газрын гүний дулааны нөөцийг нээхэд нарийн технологи, нарийн төвөгтэй систем шаардлагатай. Газрын гүний дулааны эрчим хүчний системийг урьдчилан таамаглах загварчлал, оновчлолд зориулж ерөнхий биологийн AI болон LLM-ийг ашигласнаар бид системийн гүйцэтгэлийг оновчтой болгож, тоног төхөөрөмжийн эвдрэлийн эрсдлийг бууруулах боломжтой илүү нарийвчлалтай, бат бөх урьдчилан таамаглах загваруудыг боловсруулж чадна. LangChain болон DSPy нь хиймэл оюун ухаанд суурилсан газрын гүний дулааны эрчим хүчний системийг хөгжүүлэх, байршуулахад туслах хоёр алдартай зохион байгуулалтын хэрэгсэл юм. Эдгээр арга хэрэгсэл, техникийг ашигласнаар бид газрын гүний дулааны эрчим хүчний бүрэн боломжийг нээж, илүү тогтвортой, сэргээгдэх эрчим хүчний ирээдүйг бий болгоход хувь нэмрээ оруулж чадна.

AI-д суурилсан програм хангамжийн инженерчлэл, зохион байгуулалтаар газрын гүний дулааны нөөцийг нээх

Have Questions?