هوش مصنوعی، شتاب‌دهنده کربن‌زدایی در سیمان و فولاد با صرفه‌جویی ۱۰ هزار تنی

کاهش چشمگیر انتشار کربن با هوش مصنوعی

دستاوردها در این زمینه قابل توجه است. در صنعت سیمان، شرکت Carbon Re تخمین می‌زند که استقرار سیستم هوش مصنوعی آن‌ها می‌تواند سالانه حدود ۱۰ هزار تن از انتشار کربن هر کارخانه بکاهد. در صنعت فولاد نیز، پروژه‌های شرکت ABB کاهش تقریبی سه هزار تن دی‌اکسید کربن در سال را محقق کرده و در مواردی منجر به بهبود ۱۰ تا ۲۰ درصدی در بهره‌وری انرژی و پایداری فرایند شده‌اند.

تأکید می‌شود 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 که هم‌زمان هزینه‌ها و آلایندگی را کاهش می‌دهد. این امر به‌ویژه برای اقتصادهای نوظهور که اغلب با تجهیزات قدیمی فعالیت می‌کنند، اهمیت مضاعفی دارد.

یافتن بهره‌وری در عملیات روزمره سیمان

بررسی‌های اولیه نشان می‌دهد که ظرفیت قابل‌توجهی برای بهبود عملکرد در کارخانه‌های سیمان، بدون نیاز به سرمایه‌گذاری جدید، وجود دارد. ناپایداری عملیاتی که منجر به اتلاف سوخت و انرژی می‌شود، با تثبیت فرایند قابل رفع است.

پلتفرم Carbon Re با استفاده از یادگیری ماشین، داده‌های تاریخی و رفتار حسگرها را تحلیل می‌کند تا عملکرد کوره را چند ساعت پیش از وقوع شبیه‌سازی کند. خروجی این تحلیل‌ها، توصیه‌هایی دقیق برای اپراتورها است تا میان شاخص‌های متعارض زیر توازن برقرار کنند:

• بهره‌وری انرژی
• کیفیت محصول
• هزینه تولید
• انتشار کربن

این راهکارها به طور متوسط افزایش سه‌درصدی در مصرف سوخت‌های جایگزین و کاهش تا ۱۵ درصدی مصرف زغال‌سنگ را در پی داشته است؛ دستاوردی که در مقیاس جهانی اثر قابل‌توجهی بر کاهش انتشار و هزینه‌های تولید صنعت سیمان خواهد داشت.

پایدارسازی فرایندهای فولادسازی با دمای بالا

صنعت فولاد با وجود تفاوت‌های فراوان با سیمان (مانند تنوع تجهیزات و دمای ذوب تا ۱۶۰۰ درجه سانتی‌گراد)، در پرمصرف بودن انرژی مشابه است. با وجود عقب ماندن این بخش در استفاده از هوش مصنوعی، با افزایش تقاضا برای "فولاد سبز"، اهمیت آن بیشتر شده است.

شرکت ABB از رویکردی مشابه در فرایند فولادسازی بهره می‌برد. سیستم «تویین دیجیتال» مبتنی بر هوش مصنوعی ABB، مانند یک «خلبان خودکار برای تولید» عمل می‌کند. این سیستم می‌تواند روی حالت صرفه‌جویی در انرژی یا افزایش تولید تنظیم شود و پارامترهای لازم را به صورت خودکار بهینه کند. این فناوری با نصب روی سیستم‌های اتوماسیون موجود، تنظیمات لحظه‌ای را بسته به اولویت‌های کارخانه انجام می‌دهد.

مدیریت جریان مواد و زمان‌بندی دقیق

در بخش‌های بالادستی فولادسازی، هوش مصنوعی با استفاده از رادار، لیزر و دوربین، حرکات جرثقیل‌ها و جابه‌جایی فلز مذاب را ثبت و تحلیل می‌کند تا جریان کار را بهینه سازد. یکی از پروژه‌های ABB با جلوگیری از اتلاف حرارتی، توانسته معادل کاهش حدود سه هزار تن دی‌اکسید کربن در سال صرفه‌جویی کند و هم‌زمان تولید فولاد را ۲۴ هزار تن افزایش دهد.

نقش هوش مصنوعی در اینجا فوری‌تر است: «این فناوری ناکارآمدی و اتلاف را در عملیات موجود هدف می‌گیرد و پایداری و کربن‌زدایی را با پیوند دادن کاهش کربن به تعالی عملیاتی، سودآورتر می‌سازد.»

چالش‌های محیط داده‌ای و زیرساخت

بزرگ‌ترین چالش در پیاده‌سازی هوش مصنوعی صنعتی، نه مدل هوش مصنوعی، بلکه محیط داده‌ای لازم برای کارکرد آن است. این چالش‌ها در دو صنعت سیمان و فولاد متفاوت است:

چالش‌ها در صنعت فولاد

بسیاری از کارخانه‌های فولاد از ماشین‌آلات قدیمی استفاده می‌کنند که برای اتصال به سیستم‌های دیجیتال طراحی نشده‌اند. ABB با نصب دستگاه‌های لبه‌ای (Edge) و استفاده از روش‌های ارتباطی باز، این تجهیزات را به‌روز می‌کند تا «صدای دیجیتال» داشته باشند. یکسان‌سازی داده‌های دریافتی از تجهیزات مختلف نیز حیاتی است.

چالش‌ها در صنعت سیمان

در کارخانه‌های سیمان، بزرگ‌ترین مانع معمولاً خود داده و زیرساخت آن است. حسگرها بسته به محل نصب، نگه‌داری و زمان تمیزکاری، رفتارهای متفاوتی دارند. تیم فنی گاهی ماه‌ها وقت صرف می‌کند تا داده‌های مفید را از نویز و خطا تشخیص داده و شرایط را اصلاح کند.

همچنین، برخی شرکت‌ها نسبت به استفاده از راهکارهای ابری محتاط هستند و ترجیح می‌دهند سیستم‌های هوش مصنوعی را داخل زیرساخت IT خود اجرا کنند که هزینه‌بر است. در مقابل، شرکت‌های کوچک‌تر در کشورهای در حال توسعه راحت‌تر به سراغ هوش مصنوعی مبتنی بر ابر می‌روند.

عامل انسانی و لزوم اعتماد

پذیرش هوش مصنوعی در نهایت به انسان‌ها بستگی دارد. دیجیتالی‌سازی شکاف‌های مهارتی و نگرانی‌هایی درباره تأثیر ابزارهای جدید بر کار روزمره ایجاد کرده است. شرکت‌ها باید در آموزش، بازآموزی و مسیرهای شغلی شفاف سرمایه‌گذاری کنند تا کارکنان بتوانند با اطمینان با سیستم‌های دیجیتال کار کنند.

اپراتورها باید باور داشته باشند که هوش مصنوعی واقعیت‌های تولید آن‌ها را درک می‌کند و مکمل تخصصشان است، نه جایگزین آن. آمادگی سازمانی، نقش‌های روشن و اعتماد نیروی کار در نهایت تعیین می‌کند که آیا هوش مصنوعی به پتانسیل خود می‌رسد یا خیر.

ردپای محاسباتی ناچیز هوش مصنوعی صنعتی

در پاسخ به نگرانی‌ها در مورد مصرف انرژی هوش مصنوعی، تأکید بر مقیاس است. ردپای محاسباتی Carbon Re حدود ۵۰ تن دی‌اکسید کربن در سال است؛ رقمی که در مقایسه با کاهش ۱۰ هزار تنی که هر کارخانه با استفاده از این نرم‌افزار به دست می‌آورد، ناچیز است.

سیستم‌های هوش مصنوعی صنعتی ABB نیز که نزدیک به فرایند و روی دستگاه‌های لبه‌ای اجرا می‌شوند، «بسیار سبک و بهینه‌شده برای محیط‌های صنعتی» هستند. مصرف انرژی آن‌ها در مقایسه با صرفه‌جویی‌های حاصل از بهره‌وری بیشتر کوره‌ها و برنامه‌ریزی هوشمند، ناچیز است.

افق‌های بعدی: هماهنگی زنجیره تولید

انتظار می‌رود هوش مصنوعی صنعتی از بهینه‌سازی فرایندهای منفرد به هماهنگی کل زنجیره‌های تولید حرکت کند. آینده‌ای متصور است که در آن هوش مصنوعی جریان مواد، مصرف انرژی و خروجی را در سراسر بخش‌ها هماهنگ می‌کند.

همچنین، دستیارهای مبتنی بر هوش مصنوعی می‌توانند به ثبت و انتقال «دانش ضمنی» متخصصان بازنشسته کمک کنند تا این دانش ارزشمند از بین نرود. رهبران باید برای «یک انقلاب صنعتی مبتنی بر هوش مصنوعی که زیر رادار در حال وقوع است» آماده شوند؛ انقلابی که نیازمند:

1. بنیان‌های دیجیتال قوی
2. داده‌های استاندارد
3. آمادگی برای مقیاس‌دهی هوش مصنوعی در چندین سایت

در نهایت، هوش مصنوعی می‌تواند با انعطاف‌پذیرتر کردن کارخانه‌ها و تنظیم پویا تقاضا، به پایداری شبکه‌های انرژی تجدیدپذیر نیز کمک کند. هوش مصنوعی در صنایع سنگین از مرحله آزمایشی عبور کرده و شتاب پذیرش آن رو به افزایش است.