In che modo i foundation model possono contribuire a rendere la produzione di acciaio e cemento più sostenibile

Le industrie pesanti, in particolare quelle di cemento, acciaio e prodotti chimici, sono quelle che emettono più gas serra, contribuendo al 25% delle emissioni globali di CO2. In molti dei loro processi utilizzano il calore ad alta temperatura, principalmente alimentato da combustibili fossili. Per combattere il cambiamento climatico è necessario ridurre le emissioni dei settori pesanti. Tuttavia, le sfide da affrontare per ridurre le emissioni di gas serra sono enormi. La sostituzione dell'attrezzatura non è una strada praticabile per ridurre le emissioni, poiché questi settori richiedono molto capitale e hanno cicli di vita degli asset di oltre 40 anni. Stanno anche provando combustibili alternativi, che comportano le loro sfide di disponibilità di carburante alternativo e la capacità di gestire i processi con miscele di combustibili. L'accordo di Parigi sul cambiamento climatico impone inoltre che questi settori debbano ridurre le emissioni annuali del 12-16% entro il 2030. L'AI generativa, quando applicata ai processi industriali, può migliorare la resa di produzione, ridurre la variabilità della qualità e ridurre il consumo specifico di energia (riducendo così i costi operativi e le emissioni).

Una maggiore variabilità nei processi e nelle operazioni produce risultati di maggiore consumo specifico di energia (SEC) e maggiori emissioni. Questa variabilità deriva dall'incoerenza dei materiali (che provengono dalla terra), dalle diverse condizioni meteorologiche, dalle condizioni delle macchine e dall'incapacità umana di far funzionare i processi con la massima efficienza 24 ore al giorno, tutti i giorni della settimana. La tecnologia dell'intelligenza artificiale può prevedere la variabilità futura dei processi e il conseguente impatto su resa, qualità e consumo energetico. Ad esempio, supponiamo di prevedere in anticipo la qualità del clinker, quindi siamo in grado di ottimizzare l'energia termica e la combustione nel forno per cemento in modo tale che il clinker di qualità venga prodotto al minimo consumo energetico. Tale ottimizzazione dei processi riduce il consumo di energia e, a sua volta, riduce sia le emissioni di energia che quelle di processo.

I foundation model rendono l'AI più scalabile consolidando i costi e gli sforzi della formazione dei modelli fino al 70%. L'uso più comune dei foundation model è nelle applicazioni di elaborazione del linguaggio naturale (NLP). Tuttavia, se adattati di conseguenza, i foundation model consentono alle organizzazioni di modellare con successo processi industriali complessi in modo accurato, creando un gemello digitale del processo. Questi gemelli digitali acquisiscono relazioni multivariate tra variabili di processo, caratteristiche dei materiali, requisiti energetici, condizioni meteorologiche, azioni dell'operatore e qualità del prodotto. Grazie ad essi, possiamo simulare condizioni operative complesse per ottenere punti di regolazione operativi precisi per i "punti ottimali" del processo. Ad esempio, il gemello digitale del forno da cemento consiglierebbe il combustibile, l'aria, la velocità e l'alimentazione ottimali del forno che riduca al minimo il consumo di energia termica e produca comunque la giusta qualità di clinker. Quando questi punti fissi ottimizzati vengono applicati al processo, vediamo miglioramenti dell'efficienza e riduzioni di energia che non sono mai stati visti o realizzati prima. La maggiore efficienza e la SEC non si traducono solo in un valore dell'EBITDA, ma anche in una riduzione delle emissioni di energia e delle emissioni di processo.

Negli ultimi anni, l'industria pesante ha ottimizzato i processi con modelli AI. In genere, i modelli di regressione vengono utilizzati per acquisire il comportamento del processo: ognuno cattura il comportamento di una parte del processo. Una volta uniti tramite un ottimizzatore, questo gruppo di modelli rappresenta il comportamento complessivo del processo. Questi gruppi di 10-20 modelli sono orchestrati da un ottimizzatore per generare raccomandazioni ottimizzate sui punti operativi per le piante. Tuttavia, questo approccio non è stato in grado di catturare le dinamiche del processo, come le rampe e le diminuzioni, soprattutto durante le interruzioni. E addestrare e mantenere dozzine di modelli di regressione non è facile, il che lo rende un collo di bottiglia per una scalabilità accelerata.

Oggi, i foundation model vengono utilizzati principalmente nell'elaborazione del linguaggio naturale. Usano l'architettura trasformativa per catturare relazioni a lungo termine tra le parole (token, nella terminologia gen AI) in un corpo di testo. Queste relazioni sono codificate come vettori. Questi vettori di relazione vengono poi utilizzati per generare contenuti per qualsiasi contesto specifico (ad esempio, un contratto di locazione). L'accuratezza dei contenuti risultanti generati da questi vettori mappati è impressionante, come dimostrato da ChatGPT. E se potessimo rappresentare i dati delle serie temporali come una sequenza di token? Se potessimo usare l'architettura trasformativa per codificare dati di serie temporali multivariate per catturare relazioni a lungo e breve termine tra le variabili?

IBM Research, in collaborazione con IBM Consulting, ha adattato l'architettura trasformativa per i dati delle serie temporali e ha ottenuto risultati promettenti. Utilizzando questa tecnologia, possiamo modellare un intero processo industriale, ad esempio un forno da cemento, con un solo foundation model. I foundation model sono addestrati per un dominio di processo e possono catturare il comportamento dell'intero asset e della classe di processi. Ad esempio, un foundation model per un mulino da cemento può catturare il comportamento di diverse capacità del macchinario. Pertanto, ogni successivo mulino che distribuiremo dovrà essere sottoposto solo alla messa a punto del "Foundation model mulino da cemento" anziché a un processo di formazione dall'alto verso il basso. Ciò riduce della metà i tempi di addestramento e distribuzione del modello, rendendolo una tecnologia adatta per implementazioni su larga scala. Abbiamo osservato che questi foundation model sono 7 volte più precisi dei modelli di regressione. E, come se non bastasse, possiamo catturare le dinamiche dei processi poiché questi modelli eseguono la previsione multivariata con buona precisione.

La tecnologia di AI generativa è destinata a trasformare la produzione industriale a un livello che sembrava impensabile. Questa è la soluzione per contenere le emissioni industriali e aumentare la produttività con un impatto minimo sul CAPEX e un impatto positivo sull'EBITDA. IBM sta collaborando con diversi clienti per portare questa tecnologia nel reparto di produzione e ottenere un aumento della produttività fino al 5% e una riduzione fino al 4% del consumo energetico specifico e delle emissioni. Formiamo un team di innovazione che lavora insieme ai team dei clienti e insieme addestriamo e implementiamo questi modelli per diversi casi d'uso che vanno dall'ottimizzazione della supply chain all'ottimizzazione della produzione, degli asset, della qualità, fino all'ottimizzazione della pianificazione. Abbiamo iniziato a distribuire questa tecnologia in un grande impianto siderurgico in India, un cementificio in America Latina e la produzione di beni di consumo in Nord America.

In ultima analisi, la differenza la fanno le persone: gli operatori dell'impianto devono accettarla, gli ingegneri di processo dovrebbero amarla e la gestione dell'impianto deve valorizzarla. Ciò può essere raggiunto solo con una collaborazione efficace e una gestione del cambiamento, su cui ci concentriamo durante tutto il coinvolgimento. Collaboriamo per promuovere un'era in cui far crescere le nostre capacità produttive senza compromettere le ambizioni di sostenibilità e creare un mondo migliore e più sano per le generazioni future a venire.