Negli ultimi anni, l’introduzione dell’Intelligenza Artificiale (AI) nelle industrie ha generato un notevole clamore. Tuttavia, è fondamentale distinguere tra AI e Machine Learning (ML), soprattutto quando si fa riferimento ad applicazioni pratiche. Mentre AI è un termine generico che include varie tecnologie in grado di replicare o simulare comportamenti umani, il Machine Learning è una specifica branca dell’AI focalizzata sull’apprendimento dai dati.
Per semplificare, l’AI include tecniche come il riconoscimento vocale, la visione artificiale e la robotica. Mira a creare sistemi in grado di eseguire compiti che richiederebbero intelligenza umana. Il Machine Learning utilizza invece algoritmi per identificare pattern nei dati e migliorare le prestazioni basandosi su esperienze passate. È una delle tecnologie più pratiche e utilizzate, specialmente nell’ottimizzazione dei processi industriali.
Potenzialità del machine learning per il risparmio energetico
La transizione energetica è diventata una priorità per tutto il comparto industriale e soprattutto le industrie energivore svolgono un ruolo cruciale. Il Machine Learning offre numerose opportunità per migliorare l’efficienza energetica nelle industrie di processo. Grazie alla capacità di analizzare grandi quantità di dati e identificare pattern complessi, può essere utilizzato per:
- Realizzare il cosiddetto Digital Twin: il suo obiettivo principale è quello di simulare, analizzare e ottimizzare il comportamento e le performance del suo equivalente fisico.
- Ottimizzare i consumi energetici: la simulazione in tempo reale sul Digital Twin può determinare una regolazione dinamica dei parametri di funzionamento degli impianti per ridurre al minimo il consumo energetico.
La progressiva digitalizzazione dei processi con l’acquisizione di numerosi dati in tempo reale consente di utilizzare efficacemente il ML per l’analisi dei dati e l’identificazione di incongruenze, di processare in modo dettagliato i dati operativi, confrontandoli con modelli teorici o standard di performance, di rilevare anomalie e identificare situazioni in cui l’efficienza energetica è inferiore al previsto, di suggerire interventi correttivi e attivamente adattare i processi in tempo reale per migliorare l’efficienza.
In aggiunta, è in grado di migliorare la “specializzazione” mediante l’aggiornamento continuo dei modelli operativi, integrati con nuovi dati, migliorando così la loro accuratezza e rilevanza. Questo approccio è particolarmente utile per adattarsi alle variazioni nelle condizioni operative o nei requisiti normativi.
Livello di maturità delle industrie europee nell’utilizzo dei dati
Secondo uno studio condotto da HPE nel febbraio 2023, solo il 3% delle industrie europee ha raggiunto il livello L5, definito come “Real-time data push & full enablement of innovation and external data monetization”. Questo livello rappresenta la capacità di integrare e utilizzare dati in tempo reale per favorire l’innovazione e monetizzare i dati esterni, una caratteristica fondamentale per un’industria realmente ottimizzata ed efficiente.
Sono invece molto più diffuse le aziende che raccolgono dati (29%) e che li analizzano a “freddo” (37%): sembra quindi mancare la capacità di analizzare la mole di dati per costruire dei modelli di “intelligenza” in grado di prendere decisioni rapidamente e autonome, orientate a migliorare sia il risultato economico che ambientale.
La capacità di combinare efficienza economica e ambientale è infatti un aspetto cruciale per consentire la transizione energetica: per questo motivo tutti gli strumenti di analisi che sono in grado di incidere positivamente sui consumi specifici e quindi di migliorare l’efficienza sono prioritari nella scelta delle azioni da implementare.
CASO DI STUDIO NELL’INDUSTRIA CARTARIA: L’ALGORITMO PSHAVE® PER LA RIDUZIONE DEI CONSUMI ENERGETICI
Contesto
PShave® è una piattaforma avanzata che combina algoritmi di programmazione lineare intera mista (MILP), machine learning e altre tecnologie per l’ottimizzazione dei processi. La piattaforma è progettata per analizzare grandi quantità di dati operativi in tempo reale, identificare inefficienze e suggerire strategie di ottimizzazione, sia economica che ambientale. Il caso di studio si riferisce ad un impianto di produzione di carta che utilizza un ciclo combinato per la generazione di energia. L’impianto include una turbina a gas da 7 MW, una turbina a vapore da 4 MW e utilizza un impianto di recupero fumi nel GVR con post-combustore. Tradizionalmente, il sistema è stato operato alla massima potenza per soddisfare il carico elettrico e il fabbisogno di vapore, entrambi superiori alla capacità produttiva delle turbine.
Applicazione del pacchetto algoritmico Pshave®
L’implementazione dell’algoritmo Pshave® ha permesso dapprima di modellare un Digital Twin aderente ai dati di progetto e poi di raccogliere e analizzare dati operativi in tempo reale, ricostruendo un modello dettagliato del funzionamento del sistema che non coincide con il modello ipotizzato inizialmente. L’analisi ha rivelato che operare a piena potenza non era ottimale: una modulazione ridotta dei parametri operativi, in particolare la portata dei fumi in uscita dalla turbina, avrebbe migliorato significativamente le prestazioni del GVR (generatore di vapore a recupero), riducendo sia i consumi energetici che le emissioni.
Risultati
Mediante l’attuazione del comando in tempo reale, basato sull’elaborazione dei dati per scegliere la strategia di gestione economica migliore dell’impianto di cogenerazione, si è ottenuto:
- Riduzione dei consumi energetici: operare a carichi inferiori ma ottimizzati ha ridotto il consumo di gas naturale del 10% in un anno, con valori normalizzati sul fabbisogno; la riduzione deriva principalmente dalla modulazione della turbina in tutte le ore in cui la convenienza economica dell’energia elettrica non compensa l’extra consumo di gas complessivo.
- Riduzione delle emissioni di CO2: il miglioramento dell’efficienza energetica comporta anche la riduzione contestuale delle emissioni totali di stabilimento, ridotte dell’8% in un anno.
- Ulteriore ottimizzazione del processo: il Digital Twin può essere esteso progressivamente ad altri componenti fino a includere interamente il processo produttivo.
