به گزارش اکوایران، هوش مصنوعی بهتدریج در حال تبدیل شدن به یکی از اهرمهای کلیدی تحول در انرژی برترین صنایع جهان است. در صنایعی مانند سیمان و فولاد ــ که در مجموع حدود ۱۴ درصد از انتشار جهانی دیاکسیدکربن را تولید می کنند ــ این فناوری امکان بهرهبرداری کارآمدتر از داراییهای موجود را فراهم کرده است. بهینهسازی مصرف سوخت، کاهش ضایعات و افزایش تابآوری سیستمهای تولیدی از جمله دستاوردهایی است که باعث شده هوش مصنوعی بهعنوان یک شتابدهنده دیجیتال در مسیر کربنزدایی صنعتی مطرح شود.
در صنعت سیمان، در شرکت Carbon Re، برآورد شده که با استقرار سیستم هوش مصنوعی این شرکت میتواند سالانه حدود ۱۰ هزار تن از انتشار کربن هر کارخانه بکاهد. در صنعت فولاد نیز در شرکت ABB، پروژههایی وجود دارد که کاهش تقریبی سه هزار تن CO₂ در سال را محقق کردهاند و در برخی موارد به بهبود ۱۰ تا ۲۰ درصدی در بهرهوری انرژی و پایداری فرایند منجر شدهاند.
با این حال، هر دو بر این نکته تأکید دارند که هوش مصنوعی جایگزین فناوریهای بنیادینی مانند فولادسازی مبتنی بر هیدروژن یا سامانههای جذب و ذخیره کربن نیست. نقش اصلی این فناوری، ارائه راهحلی عملی و کمهزینه برای کاهش انتشار در کوتاهمدت است؛ راهحلی که از طریق بهبود بهرهوری عملیاتی، امکان کاهش همزمان هزینهها و آلایندگی را فراهم میکند. این موضوع بهویژه برای اقتصادهای نوظهور و در حال توسعه، که بخش عمدهای از ظرفیت جهانی سیمان و فولاد را در اختیار دارند و اغلب با تجهیزات قدیمی فعالیت میکنند، از اهمیت مضاعفی برخوردار است.
یافتن بهرهوری در عملیات روزمره سیمان
بررسیهای اولیه نشان میدهد که در بسیاری از کارخانههای سیمان، بدون نیاز به سرمایهگذاری جدید، ظرفیت قابلتوجهی برای بهبود عملکرد وجود دارد. تفاوت معنادار میان روزهای «عملکرد مطلوب» و «عملکرد معمول» در یک کارخانه، بیانگر آن است که ناپایداری عملیاتی موجب اتلاف سوخت و انرژی میشود و تثبیت فرایند میتواند مستقیماً به کاهش مصرف منجر شود.
برای حل این مشکل در مقیاس بزرگ، استفاده از اتوماسیون و تحلیل پیشرفته داده ضروری است. پلتفرم Carbon Re با کمک یادگیری ماشین، دادههای گذشته کارخانه و رفتار واقعی حسگرها را بررسی میکند و میتواند عملکرد کوره را چند ساعت زودتر پیشبینی کند. نتیجه این تحلیلها، پیشنهادهایی است که به اپراتورها کمک میکند بین مصرف انرژی، کیفیت محصول، هزینهها و میزان انتشار کربن تعادل ایجاد کنند.
در صنعت سیمان این روش منظم و دادهمحور ارزش اقتصادی بالایی دارد. بهروزرسانی مداوم مدلها با دادههای لحظهای هم باعث میشود سیستم خودش را با شرایط جدید تطبیق دهد. در عمل، استفاده از این راهکارها بهطور متوسط مصرف سوختهای جایگزین را حدود ۳ درصد افزایش میدهد و مصرف زغالسنگ را تا ۱۵ درصد کاهش میدهد؛ تغییری که در مقیاس جهانی میتواند هم انتشار کربن و هم هزینههای تولید در صنعت سیمان را بهطور چشمگیری کم کند.
پایدارسازی فرایندهای فولادسازی با دمای بالا
تولید فولاد با سیمان فرقهای زیادی دارد. تجهیزات کارخانههای فولاد خیلی متنوعاند، مراحل تولید به هم وابسته هستند و دمای بخش ذوب حتی به ۱۶۰۰ درجه سانتیگراد میرسد. با این حال، یک شباهت مهم وجود دارد: هر دو صنعت بسیار بزرگ و پرمصرف انرژیاند و حتی بهبودهای کوچک هم میتواند تأثیر زیادی داشته باشد.
اما این بخش نسبت به صنایع دیگر در استفاده از هوش مصنوعی عقبتر است و حالا با بیشتر شدن تقاضا برای فولاد سبز، اهمیت این موضوع از قبل هم بیشتر شده است.
همانطور که شرکت Carbon Re از هوش مصنوعی برای پایدار کردن عملکرد کورههای سیمان استفاده میکند، شرکت ABB هم از رویکردی مشابه در فرایند فولادسازی و فلز مذاب بهره میبرد. تارون سیستم «تویین دیجیتال» مبتنی بر هوش مصنوعی ABB را مثل یک «خلبان خودکار برای تولید» توصیف میکند. به گفته او، میتوان این سیستم را روی حالت صرفهجویی در انرژی یا افزایش تولید تنظیم کرد و سیستم خودش پارامترهای لازم را بهطور خودکار بهینه میکند. این فناوری روی سیستمهای اتوماسیون موجود کارخانه نصب میشود و بسته به اولویتهای کارخانه، تنظیمات لحظهای انجام میدهد.
در بخشهای بالادستی فولادسازی، جایی که هماهنگی بین جرثقیلها و جابهجایی فلز مذاب کار پیچیدهای است، هوش مصنوعی به مدیریت بهتر حرکت مواد و زمانبندی کارها کمک میکند. ABB با استفاده از رادار، لیزر و دوربین، این حرکات را ثبت و تحلیل میکند و بعد مدلهای هوش مصنوعی جریان کار را بهینه میکنند. به گفته تارون، یکی از این پروژهها توانسته از اتلاف حرارتی جلوگیری کند که معادل کاهش حدود سه هزار تن دیاکسید کربن در سال است و همزمان تولید فولاد را ۲۴ هزار تن افزایش داده است.
در حالی که روشهای فولاد سبز در آینده شکل تولید فولاد را تغییر خواهند داد، تأثیر هوش مصنوعی سریعتر و فوریتر است. این فناوری ناکارآمدیها و هدررفتها را در فرایندهای فعلی هدف میگیرد، کارها را هوشمندتر انجام میدهد و از همه مهمتر، کاهش کربن را به بهبود عملکرد و سودآوری کارخانهها وصل میکند. به این ترتیب، پایداری محیطزیستی دیگر فقط یک هزینه نیست، بلکه به یک مزیت عملیاتی تبدیل میشود.
چالش محیطهای دادهای
در هر دو گروه بزرگترین چالش نه خود مدل هوش مصنوعی، بلکه محیط دادهای لازم برای کارکرد آن است. در صنعت فولاد، خیلی از کارخانهها هنوز از ماشینآلات قدیمی استفاده میکنند؛ ماشینهایی که بیشتر برای دوام و اطمینان ساخته شدهاند، نه برای اتصال به سیستمهای دیجیتال. ABB این تجهیزات را با نصب دستگاههای لبهای (Edge) و استفاده از روشهای ارتباطی باز بهروز میکند تا بتوانند داده تولید کنند و بهاصطلاح «صدای دیجیتال» داشته باشند. در کنار این کار، یکسانسازی دادهها هم بسیار مهم است تا اطلاعاتی که از تجهیزات مختلف و شرکتهای متفاوت میآید، قابل فهم و قابل استفاده در کنار هم باشد.
در کارخانههای سیمان، بزرگترین چالش معمولاً خود داده و زیرساخت آن است. چون حتی حسگرهایی که شبیه هم هستند، بسته به جایی که نصب شدهاند، نحوه نگهداری یا زمان تمیزکاری، رفتار متفاوتی دارند. به همین دلیل تیم فنی گاهی ماهها وقت میگذارد تا این شرایط را بررسی و اصلاح کند تا مدلهای هوش مصنوعی بتوانند دادههای مفید را از نویز و خطا تشخیص دهند.
بعضی شرکتها هم به استفاده از راهکارهای ابری محتاط هستند و ترجیح میدهند سیستمهای هوش مصنوعی را داخل زیرساخت IT خودشان اجرا کنند؛ کاری که معمولاً هزینهبر و سفارشیسازی زیادی میخواهد. در مقابل، شرکتهای کوچکتر در کشورهای در حال توسعه معمولاً راحتتر سراغ هوش مصنوعی مبتنی بر ابر میروند.
عامل انسانی
پذیرش هوش مصنوعی در نهایت به انسانها بستگی دارد. در کارخانههای فولاد و سیمان، دیجیتالیسازی شکافهای مهارتی و نگرانیهایی درباره تأثیر ابزارهای جدید بر کار روزمره ایجاد میکند. کارکنان به حمایت نیاز دارند تا با سیستمهای دیجیتال با اطمینان کار کنند و شرکتها باید در آموزش، بازآموزی و مسیرهای شغلی شفاف سرمایهگذاری کنند. برخی مشتریان حتی با دانشگاهها همکاری میکنند تا تخصص علم داده را توسعه دهند و شکاف استعدادها را پر کنند.
اپراتورها باید باور داشته باشند که هوش مصنوعی واقعیتهای تولید آنها را درک میکند و مکمل تخصصشان است، نه جایگزین آن. جنبه انسانی پذیرش میتواند به اندازه خود فناوری حیاتی باشد.
ردپای هوش مصنوعی
با بالا رفتن حساسیتها نسبت به مصرف انرژی هوش مصنوعی، در هر دو گروه بر اهمیت مقیاس آن تأکید می شود. در صنعت سیمان ردپای محاسباتی Carbon Re حدود ۵۰ تن CO₂ در سال است؛ رقمی ناچیز در مقایسه با کاهش ۱۰ هزار تنی که هر کارخانه با استفاده از این نرمافزار به دست میآورد.
در صنعت فولاد هوش مصنوعی صنعتی اساساً با مدلهای بزرگ مصرفکننده که روی دادههای عظیم ابری آموزش میبینند متفاوت است. سیستمهای ABB نزدیک به فرایند و روی دستگاههای لبهای اجرا میشوند و «بسیار سبک و بهینهشده برای محیطهای صنعتی» هستند. مصرف انرژی آنها در مقایسه با صرفهجوییهای حاصل از بهرهوری بیشتر کورهها و برنامهریزی هوشمند بار، ناچیز است.
افقهای بعدی
هر دو گروه انتظار دارند هوش مصنوعی صنعتی از بهینهسازی فرایندهای جداگانه، به هماهنگی کل زنجیره تولید برسد. تارون آیندهای را متصور است که در آن هوش مصنوعی جریان مواد، مصرف انرژی و خروجی را در سراسر بخشها هماهنگ میکند و هشدار میدهد که بازنشستگی متخصصان میتواند دههها «دانش ضمنی» را با خود ببرد. به گفته او، دستیارهای مبتنی بر هوش مصنوعی میتوانند به ثبت و انتقال این دانش کمک کنند.
دانیل معتقد است رهبران باید برای «یک انقلاب صنعتی مبتنی بر هوش مصنوعی که زیر رادار در حال وقوع است» آماده شوند؛ انقلابی که به بنیانهای دیجیتال قوی، دادههای استاندارد و آمادگی برای مقیاسدهی هوش مصنوعی در چندین سایت نیاز دارد. او همچنین نقش گستردهتری برای هوش مصنوعی در سیستمهای انرژی مبتنی بر تجدیدپذیرها میبیند. به باور او، هرچه کارخانهها انعطافپذیرتر شوند و بتوانند تقاضا را بهصورت پویا تنظیم کنند، میتوانند به پایداری شبکهها کمک کرده و استفاده بهتری از عرضه ناپایدار انرژی داشته باشند.
برای هر دو، هوش مصنوعی در صنایع سنگین مدتهاست از مرحله آزمایشی عبور کرده است. این فناوری هماکنون در حال کاهش انتشار و بهبود عملکرد است و شتاب پذیرش آن رو به افزایش است.
