یادگیری فدرال با ردپای کربن صفر برای شهرهای هوشمند با استفاده از معماری Edge-انرژی محور و مدلهای

شهرهای هوشمند آینده نیازمند سامانه های یادگیری ماشین هستند که علاوه بر توان پردازش بالا از پایداری انرژی و کاهش اثرات زیست محیطی نیز برخوردار باشند. در این پژوهش یک چارچوب نوآورانه برای یادگیری فدرال با ردپای کربن «صفر» ارائه می شود که قادر است بدون تکیه بر مراکز داده پر مصرف فرآیند یادگیری را با استفاده از منابع انرژی تجدیدپذیر در گره های IOT انجام دهد. مدل پیشنهادی شامل سه لایه اصلی است: مدیریت تطبیقی، انرژی یادگیری فدرال سبز و زمان بندی پویا بر اساس تولید واقعی انرژی پاک. با استفاده از الگوریتم بهینه سازی چندهدفه مصرف انرژی میان گره ای تا ۴۲٪ کاهش یافته و تاخیر ارتباطی تا ۲۸٪ بهبود یافته است. نتایج شبیه سازی روی داده های شهر هوشمند نشان می دهد که مدل توانسته است توازن بهینه ای میان دقت، پایداری انرژی و کاهش ردپای کربن ایجاد کند. این چارچوب می تواند به عنوان یک زیرساخت پایه برای نسل جدید شهرهای سبز مورد استفاده قرار گیرد. این چارچوب روی یک سناریوی واقعی شهر هوشمند مورد آزمایش قرار گرفت و با استفاده از ۵۰ گره IOT و دو منبع انرژی تجدیدپذیر تست شد. نتایج نشان داد که مدل پیشنهادی علاوه بر کاهش مصرف انرژی، قابلیت استفاده عملی در حوزه هایی مانند مدیریت ترافیک و پایش بلادرنگ شهری را دارد.

کلیدواژه ها:

یادگیری فدرال ، شهر هوشمند ، انرژی تجدیدپذیر ، هوش مصنوعی سبز ، کاهش ردپای کربن