Comment les modèles de fondation peuvent contribuer à rendre la production d’acier et de ciment plus durable

Les industries lourdes, en particulier le ciment, l’acier et les produits chimiques, sont les principales secteurs à émettre des gaz à effet de serre, contribuant à 25 % des émissions mondiales de CO2. Ils utilisent de la chaleur à haute température dans bon nombre de leurs processus, qui est principalement alimentée par des combustibles fossiles. La lutte contre le changement climatique nécessite de réduire les émissions des industries lourdes. Cependant, ces secteurs sont confrontés à d’énormes défis pour réduire les émissions de gaz à effet de serre. Le remplacement des équipements n’est pas un moyen viable de réduire les émissions, car ces secteurs sont à forte intensité capitalistique, avec des cycles de vie des actifs de plus de 40 ans. Ils testent également des carburants alternatifs, qui présentent leurs propres défis en matière de disponibilité et une gestion des processus avec des mélanges de combustibles. L’Accord de Paris sur le changement climatique impose également à ces secteurs de réduire leurs émissions annuelles de 12 à 16 % d’ici à 2030. L’IA générative, lorsqu’elle est appliquée à des processus industriels, peut améliorer le rendement de la production, réduire la variabilité de la qualité et diminuer la consommation d’énergie spécifique (réduisant ainsi les coûts opérationnels et les émissions).

Une plus grande variabilité des processus et des opérations a pour conséquence une consommation d’énergie spécifique (SEC) plus élevée et des émissions plus élevées. Cette variabilité provient de l’incohérence des matériaux (les matières premières proviennent de la terre), des conditions météorologiques variables, de l’état des machines et de l’incapacité humaine à exploiter les processus de manière optimale 24 heures sur 24, 7 jours sur 7. La technologie d’intelligence artificielle peut prédire la variabilité future des processus et l’impact qui en résultera sur le rendement, la qualité et la consommation d’énergie. Par exemple, si nous prévoyons la qualité du clinker à l’avance, nous pouvons optimiser l’énergie thermique et la combustion dans le four à ciment de manière à produire un clinker de qualité avec une consommation d’énergie minimale. Cette optimisation des processus permet de réduire la consommation d’énergie et, à son tour, les émissions d’énergie et des processus.

Les modèles de fondation rendent l’IA plus évolutive en réduisant jusqu’à 70 % les coûts et les efforts liés à l’entraînement des modèles. L’utilisation la plus courante des modèles de fondation est dans les applications de traitement automatique du langage naturel (NLP). Cependant, lorsqu’ils sont adaptés, les modèles de fondation permettent aux organisations de modéliser avec précision des processus industriels complexes, créant ainsi un jumeau numérique du processus. Ces jumeaux numériques capturent les relations multivariées entre les variables de processus, les caractéristiques des matériaux, les besoins en énergie, les conditions météorologiques, les actions des opérateurs et la qualité du produit. Grâce à ces jumeaux numériques, nous pouvons simuler des conditions de fonctionnement complexes afin d’obtenir des points de consigne de fonctionnement précis pour les « zones de confort » des processus. Par exemple, le jumeau numérique du four à ciment recommandera le combustible, l’air, la vitesse et l’alimentation optimaux qui minimisent la consommation d’énergie thermique tout en produisant un clinker de qualité. Lorsque ces points de consigne optimisés sont appliqués au processus, nous constatons des améliorations d’efficacité et des réductions d’énergie qui n’ont jamais été vues ni réalisées auparavant. L’amélioration de l’efficacité et de la SEC se traduit non seulement par une valorisation de l’EBITDA, mais aussi par une réduction des émissions d’énergie et des émissions liées aux processus.

Depuis quelques années, les industries lourdes ont optimisé leurs processus grâce à des modèles IA. En général, les modèles de régression sont utilisés pour capturer le comportement des processus ; chaque modèle de régression capture le comportement d’une partie du processus. Lorsqu’ils sont reliés à un optimiseur, ce groupe de modèles représente le comportement global du processus. Ces groupes de 10 à 20 modèles sont orchestrés par un optimiseur pour générer des recommandations de points de fonctionnement optimisées pour les usines. Cependant, cette approche ne permettait pas de capturer la dynamique des processus, telle que les montées en puissance et les baisses de performance, en particulier pendant les interruptions. Il n’est pas facile d’entraîner et de maintenir des dizaines de modèles de régression, ce qui en fait un goulot d’étranglement pour une mise à l’échelle accélérée.

Aujourd’hui, les modèles de fondation sont principalement utilisés dans le traitement automatique du langage naturel. Ils utilisent l’architecture transformatrice pour capturer les relations à long terme entre les mots (tokens dans la terminologie de l’IA générative) dans un corps de texte. Ces relations sont encodées sous forme de vecteurs. Ces vecteurs de relation sont ensuite utilisés pour générer du contenu pour un contexte spécifique (par exemple, un contrat de location). La précision du contenu résultant généré à partir de ces vecteurs mappés est impressionnante, comme l’a démontré ChatGPT. Et si nous pouvions représenter les données des séries temporelles sous la forme d’une séquence de tokens ? Que diriez-vous de l’architecture transformatrice parallélisée pour encoder des données de séries temporelles multivariées afin de capturer les relations à long et à court terme entre les variables ?

IBM recherche, en collaboration avec IBM Consulting, a adapté l’architecture transformatrice pour les données de série temporelle et a obtenu des résultats prometteurs. Grâce à cette technologie, nous pouvons modéliser un processus industriel entier, par exemple un four à ciment avec un seul modèle de fondation. Les modèles de fondation sont formés pour un domaine de processus et peuvent capturer le comportement de l’ensemble des actifs et des classes de processus. Par exemple, un modèle de fondation d’usine de ciment peut capturer le comportement de plusieurs capacités d’usines de ciment. Par conséquent, chaque usine que nous déployons par la suite doit passer par un simple réglage fin du « modèle de fondation d’usine de ciment » plutôt que par un processus d’entraînement descendant. Cela réduit de moitié le temps d’entraînement et de déploiement des modèles, ce qui en fait une technologie viable pour les déploiements à grande échelle. Nous avons constaté que ces modèles de fondation sont sept fois plus précis que les modèles de régression. Et surtout, nous pouvons capturer la dynamique des processus, car ces modèles effectuent des prévisions multivariables avec une bonne précision.

La technologie d’IA générative est appelée à transformer la production industrielle à un niveau imprévu. C’est la solution idéale pour réduire les émissions industrielles et augmenter la productivité avec un impact minimal sur les dépenses d’investissement et un impact positif sur l’excédent brut d’exploitation (EBITDA). IBM collabore avec plusieurs clients pour intégrer cette technologie au niveau de la production et constate une augmentation de la productivité allant jusqu’à 5 % et une réduction de 4 % de la consommation d’énergie spécifique et des émissions. Nous formons une équipe d’innovation commune avec les équipes client et, ensemble, nous entraînons et déployons ces modèles pour plusieurs cas d’utilisation allant de l’optimisation de la chaîne d’approvisionnement, de la production, de l’optimisation des actifs, de l’optimisation de la qualité à l’optimisation de la planification. Nous avons commencé à déployer cette technologie dans une grande usine d’acier en Inde, une usine de ciment en Amérique latine et une usine de fabrication de biens de consommation en Amérique du Nord.

En fin de compte, l’importance de l’IA est une question de personnes : les opérateurs de l’usine doivent l’adopter, les ingénieurs de procédés doivent l’apprécier et la direction de l’usine doit la valoriser. Cela ne peut être réalisé qu’avec une collaboration et une gestion du changement efficaces, sur lesquelles nous concentrons au fil de l’engagement. Ensemble, collaborons pour favoriser une ère où nous pouvons accroître nos capacités de production sans compromettre nos ambitions de durabilité et créer un monde meilleur et plus sain pour les générations futures.