في السنوات الأخيرة، حظيت كفاءة الطاقة في المباني باهتمام متزايد بسبب أهداف التخفيف من تغير المناخ، وارتفاع تكاليف الطاقة.

تستكشف هذه الورقة دمج النماذج ثلاثية الأبعاد (3D)، وأجهزة استشعار إنترنت الأشياء (IoT)، والتوائم الرقمية (Digital Twins) (DT)، والنمذجة المعتمدة على البيانات، والذكاء الاصطناعي (Artificial Intelligence) (AI)، وخاصة خوارزميات التعلم الآلي (Machine Learning) (ML) لتعزيز توقع أداء الطاقة وتحسينه في المباني القائمة. من خلال الاستفادة من البيانات في الوقت الحقيقي من أجهزة استشعار إنترنت الأشياء، توفر التوائم الرقمية (DTs) تمثيلاً رقمياً شاملاً للمباني، مما يسهل المراقبة الذكية والتحكم من أجل تعزيز كفاءة الطاقة وراحة الشاغلين.

 تقدم هذه الورقة تطوير وتطبيق توأم رقمي معتمد على البيانات لمبنى مكاتب في النرويج، مع التركيز على توقع أداء الطاقة. من خلال دراسة حالة، تم جمع نتائج ورؤى محددة بشأن جدوى وفوائد هذا النهج، جنبًا إلى جنب مع قيوده الكامنة.

تسلط النتائج الضوء على أن التقدم الكبير في كفاءة الطاقة يمكن تحقيقه من خلال النمذجة التنبؤية واستراتيجيات التحكم الذكية. في المستقبل، يتطلب تكييف هذه التقنيات معالجة التحديات الرئيسية وتطوير المنهجيات للتنفيذ الأوسع. 

من خلال تحديد ومعالجة هذه التحديات، يحمل دمج أجهزة استشعار إنترنت الأشياء (IoT)، والتوائم الرقمية (DTs)، والذكاء الاصطناعي (AI) نطاقًا كبيرًا لتحسين أداء الطاقة في المباني وتعزيز أهداف الاستدامة.

الخرف، وهو اضطراب عصبي تنكسي شائع، يتطلب الكشف المبكر للتدخل والدعم الفعال. تستفيد هذه الورقة من نماذج التعلم الآلي (machine learning) والتعلم العميق (deep learning)

 لتشخيص الخرف بناءً على الأنماط اللغوية في نصوص الكلام. باستخدام مجموعات البيانات من DementiaBank، وهي Pitt Corpus وADReSS Challenge، نقوم بمعالجة البيانات مسبقًا، واستخراج الميزات اللغوية، وتطبيق التحقق المتقاطع (cross-validation) بعشر طيات. تظهر النماذج الكلاسيكية (الانحدار اللوجستي (Logistic Regression)، الغابة العشوائية (Random Forest)، الجيران الأقرب (K-Nearest Neighbors)، آلة الدعم الناقل (Support Vector Machine)، بايزي المتعدد الحدود (Multinomial Naive Bayes)) دقة متفاوتة، حيث تتصدر الغابة العشوائية بنسبة 0.90.

يُظهر التعلم المنقول (transfer learning) باستخدام نماذج BERT (bert-base-uncased، distilbert-base-uncased) نتائج واعدة، حيث حقق bert-base-uncased-LR3 دقة 0.79. تؤكد هذه الورقة على فعالية التعلم الآلي (machine learning) والتعلم المنقول (transfer learning) في الكشف عن الخرف.

تتناول تقنية الإنجاب المساعد (Assisted Reproductive Technology) العقم من خلال دمج الحيوانات المنوية والبويضات في المختبر (in-vitro) وزرع الجنين الناتج في الأنثى لولادة صحية. يعتمد نجاح "الإنجاب المساعد" على اختيار الجنين الأكثر قابلية للحياة، وهي مهمة يقوم بها علماء الأجنة (embryologists) يدويًا. يقوم علماء الأجنة بتقييم قابلية الجنين للحياة ضمن مجموعة من خلال فحص التطور الشكلي لمراحل انقسام الجنين. ومع ذلك، فإن هذه العملية الانتقائية ذات طابع ذاتي وتستهلك الموارد. تعزز هذه الدراسة مجال تقنية الإنجاب المساعد (ART) من خلال استخدام الذكاء الاصطناعي (artificial intelligence) لتقييم الأجنة في مرحلة المورولا (morula stage).

تعتبر مرحلة المورولا مرحلة انقسام أساسية ولكنها أقل استكشافًا في تطوير الأجنة. تحاول هذه الطريقة سد الفجوة الحالية في فهم الهيكل الشكلي للمورولا وقد تحول عمليات الإنجاب المساعد من خلال تحسين معايير اختيار الأجنة. على وجه التحديد، يتم تدريب مصنف فيديو (video classifier) لتحليل التطور الشكلي للأجنة من البداية إلى نهاية مرحلة المورولا والتنبؤ بمصير الجنين - سواء لنقله، أو تجميده (cryopreserve)، أو التخلص منه. تنبأت المصنفات بكفاءة بمقاطع الفيديو "المتخلص منها" وخلطت في كثير من الأحيان بين مقاطع الفيديو "المنقولة" و"المجمدة".

تم التحقيق في فهم المصنف للخصائص الشكلية في مرحلة المورولا من خلال استخدام تقنية الذكاء الاصطناعي القابلة للتفسير (Grad-CAM explainable AI)، مما يوفر لعلماء الأجنة رؤى أعمق حول تطوير الأجنة في هذه المرحلة. أظهرت خرائط حرارة Grad-CAM أنماط تطوير مورولا مميزة للنتائج المتوقعة: مقاطع الفيديو "المجمدة" و"المتخلص منها"، بينما كانت مقاطع الفيديو "المنقولة" تفتقر إلى إشارات الشكل ذات الصلة.

في السنوات الأخيرة، حظيت كفاءة الطاقة في المباني باهتمام متزايد بسبب أهداف التخفيف من تغير المناخ، وارتفاع تكاليف الطاقة.

تستكشف هذه الورقة دمج النماذج ثلاثية الأبعاد (3D)، وأجهزة استشعار إنترنت الأشياء (IoT)، والتوائم الرقمية (Digital Twins) (DT)، والنمذجة المعتمدة على البيانات، والذكاء الاصطناعي (Artificial Intelligence) (AI)، وخاصة خوارزميات التعلم الآلي (Machine Learning) (ML) لتعزيز توقع أداء الطاقة وتحسينه في المباني القائمة. من خلال الاستفادة من البيانات في الوقت الحقيقي من أجهزة استشعار إنترنت الأشياء، توفر التوائم الرقمية (DTs) تمثيلاً رقمياً شاملاً للمباني، مما يسهل المراقبة الذكية والتحكم من أجل تعزيز كفاءة الطاقة وراحة الشاغلين.

 تقدم هذه الورقة تطوير وتطبيق توأم رقمي معتمد على البيانات لمبنى مكاتب في النرويج، مع التركيز على توقع أداء الطاقة. من خلال دراسة حالة، تم جمع نتائج ورؤى محددة بشأن جدوى وفوائد هذا النهج، جنبًا إلى جنب مع قيوده الكامنة.

تسلط النتائج الضوء على أن التقدم الكبير في كفاءة الطاقة يمكن تحقيقه من خلال النمذجة التنبؤية واستراتيجيات التحكم الذكية. في المستقبل، يتطلب تكييف هذه التقنيات معالجة التحديات الرئيسية وتطوير المنهجيات للتنفيذ الأوسع. 

من خلال تحديد ومعالجة هذه التحديات، يحمل دمج أجهزة استشعار إنترنت الأشياء (IoT)، والتوائم الرقمية (DTs)، والذكاء الاصطناعي (AI) نطاقًا كبيرًا لتحسين أداء الطاقة في المباني وتعزيز أهداف الاستدامة.

الخرف، وهو اضطراب عصبي تنكسي شائع، يتطلب الكشف المبكر للتدخل والدعم الفعال. تستفيد هذه الورقة من نماذج التعلم الآلي (machine learning) والتعلم العميق (deep learning)

 لتشخيص الخرف بناءً على الأنماط اللغوية في نصوص الكلام. باستخدام مجموعات البيانات من DementiaBank، وهي Pitt Corpus وADReSS Challenge، نقوم بمعالجة البيانات مسبقًا، واستخراج الميزات اللغوية، وتطبيق التحقق المتقاطع (cross-validation) بعشر طيات. تظهر النماذج الكلاسيكية (الانحدار اللوجستي (Logistic Regression)، الغابة العشوائية (Random Forest)، الجيران الأقرب (K-Nearest Neighbors)، آلة الدعم الناقل (Support Vector Machine)، بايزي المتعدد الحدود (Multinomial Naive Bayes)) دقة متفاوتة، حيث تتصدر الغابة العشوائية بنسبة 0.90.

يُظهر التعلم المنقول (transfer learning) باستخدام نماذج BERT (bert-base-uncased، distilbert-base-uncased) نتائج واعدة، حيث حقق bert-base-uncased-LR3 دقة 0.79. تؤكد هذه الورقة على فعالية التعلم الآلي (machine learning) والتعلم المنقول (transfer learning) في الكشف عن الخرف.

تتناول تقنية الإنجاب المساعد (Assisted Reproductive Technology) العقم من خلال دمج الحيوانات المنوية والبويضات في المختبر (in-vitro) وزرع الجنين الناتج في الأنثى لولادة صحية. يعتمد نجاح "الإنجاب المساعد" على اختيار الجنين الأكثر قابلية للحياة، وهي مهمة يقوم بها علماء الأجنة (embryologists) يدويًا. يقوم علماء الأجنة بتقييم قابلية الجنين للحياة ضمن مجموعة من خلال فحص التطور الشكلي لمراحل انقسام الجنين. ومع ذلك، فإن هذه العملية الانتقائية ذات طابع ذاتي وتستهلك الموارد. تعزز هذه الدراسة مجال تقنية الإنجاب المساعد (ART) من خلال استخدام الذكاء الاصطناعي (artificial intelligence) لتقييم الأجنة في مرحلة المورولا (morula stage).

تعتبر مرحلة المورولا مرحلة انقسام أساسية ولكنها أقل استكشافًا في تطوير الأجنة. تحاول هذه الطريقة سد الفجوة الحالية في فهم الهيكل الشكلي للمورولا وقد تحول عمليات الإنجاب المساعد من خلال تحسين معايير اختيار الأجنة. على وجه التحديد، يتم تدريب مصنف فيديو (video classifier) لتحليل التطور الشكلي للأجنة من البداية إلى نهاية مرحلة المورولا والتنبؤ بمصير الجنين - سواء لنقله، أو تجميده (cryopreserve)، أو التخلص منه. تنبأت المصنفات بكفاءة بمقاطع الفيديو "المتخلص منها" وخلطت في كثير من الأحيان بين مقاطع الفيديو "المنقولة" و"المجمدة".

تم التحقيق في فهم المصنف للخصائص الشكلية في مرحلة المورولا من خلال استخدام تقنية الذكاء الاصطناعي القابلة للتفسير (Grad-CAM explainable AI)، مما يوفر لعلماء الأجنة رؤى أعمق حول تطوير الأجنة في هذه المرحلة. أظهرت خرائط حرارة Grad-CAM أنماط تطوير مورولا مميزة للنتائج المتوقعة: مقاطع الفيديو "المجمدة" و"المتخلص منها"، بينما كانت مقاطع الفيديو "المنقولة" تفتقر إلى إشارات الشكل ذات الصلة.