به گزارش ایراسین، شرکت Deep.Meta موفق شده است با بهکارگیری هوش مصنوعی، میزان انتشار آلایندهها در کارخانه فولادسازی Spartan UK در شهر نیوکاسل-آپان-تاین را نزدیک به ۱۰ درصد کاهش دهد؛ دستاوردی که میتواند گام مهمی در مسیر کربنزدایی صنعت فولاد محسوب شود.
فناوری Deep.Optimiser-PhyX یک «دوقلوی دیجیتال» مبتنی بر هوش مصنوعی است؛ نسخهای هوشمند از فرآیند تولید فولاد که با ترکیب علم فیزیک و یادگیری ماشین، عملکرد کورهها را بهینهسازی میکند. این سامانه قادر است چندین سال تولید را تنها در چند ساعت شبیهسازی کند و از این طریق شرایط عملیاتی بهینه را شناسایی کند.
افزایش بهرهوری انرژی با دادههای لحظهای
این فناوری با استفاده از دادههای لحظهای حسگرها و دانش علم مواد، دمای اسلبهای فولادی را با دقت بسیار بالاتری پیشبینی کرده و زمانبندی عملیات را بهبود میبخشد. نتیجه این فرآیند، افزایش بهرهوری انرژی و در نهایت کاهش قابلتوجه میزان انتشار آلایندههاست. بر اساس اعلام Deep.Meta، این فناوری بهزودی وارد مرحله پایلوت عملیاتی زنده در کارخانه Spartan UK خواهد شد.
دکتر اوسِس اومویگیاده، مدیرعامل و بنیانگذار Deep.Meta و از فینالیستهای دومین دوره جایزه منچستر، در این باره گفت: «ما Deep.Optimiser-PhyX را برای مقابله با ناکارآمدیهایی توسعه میدهیم که منجر به انتشار قابل اجتناب آلایندهها میشود؛ اقدامی حیاتی برای کمک به کربنزدایی صنعت فولاد. از طریق جایزه منچستر توانستیم فیزیک را در پلتفرم هوش مصنوعی خود ادغام کنیم که توان پیشبینی آن را به شکل چشمگیری افزایش داده است.»
وی افزود: «هدف نهایی ما جلوگیری از ورود ۱۰ مگاتن دیاکسیدکربن به محیط زیست تا سال ۲۰۳۰ است تا اثری ماندگار در بریتانیا و کل صنعت فولاد بر جا بگذاریم. همکاری با Spartan UK گامی کلیدی در این مسیر است. در صورت انتخاب بهعنوان برنده جایزه منچستر، قصد داریم توسعه این فناوری را با تولیدکنندگان ماشینآلات کوره در سراسر بریتانیا گسترش دهیم و به بازارهای دیگر از جمله آمریکای شمالی نیز وارد شویم.»
افزایش اهمیت بهرهوری در سایه رشد هزینه انرژی و کربن
دکتر کوانگکیو الکس یو، دانشمند ارشد یادگیری ماشین در Deep.Meta، نیز اظهار داشت: «مدلهای امروزی یادگیری ماشین اغلب مانند یک جعبه سیاه عمل میکنند و پیوند روشنی میان ورودی و خروجی ندارند؛ موضوعی که موجب مقاومت صنایع در استقرار این فناوریها در محیطهای واقعی تولید میشود. رویکرد ما با تکیه بر یادگیری ماشین مبتنی بر قوانین فیزیکی، این چالشها را برطرف میکند و مدلهایی شفاف، قابل اعتماد و مناسب برای تصمیمگیریهای صنعتی فراهم میآورد.»
مایکل بریرلی، مدیرعامل Spartan UK، نیز با تأکید بر اهمیت این پروژه گفت: «Deep.Meta یک شریک قابل اعتماد برای ماست و ما راهکار Deep.Optimiser را بهصورت پایلوت اجرا کردهایم، چرا که هزینههای انرژی و کربن بهشدت در حال افزایش است. ارتقای بهرهوری تولید برای ما اهمیت بسیار بالایی دارد، زیرا هزینه انرژی بخش قابل توجهی از ساختار هزینههای ما را تشکیل میدهد.»
ارسال نظر