{"id":6880,"date":"2024-10-04T17:17:20","date_gmt":"2024-10-04T15:17:20","guid":{"rendered":"https:\/\/www.cartaecartiere.com\/?p=6880"},"modified":"2024-10-04T17:49:26","modified_gmt":"2024-10-04T15:49:26","slug":"lintroduzione-dellai-nellindustria-machine-learning-e-transizione-energetica","status":"publish","type":"post","link":"https:\/\/www.cartaecartiere.com\/en\/lintroduzione-dellai-nellindustria-machine-learning-e-transizione-energetica\/","title":{"rendered":"L\u2019introduzione dell\u2019AI nell\u2019industria: machine learning e transizione energetica"},"content":{"rendered":"\n<p class=\"has-drop-cap\">Negli ultimi anni, l\u2019introduzione dell\u2019Intelligenza Artificiale (AI) nelle industrie ha generato un notevole clamore. Tuttavia, \u00e8 fondamentale distinguere tra AI e Machine Learning (ML), soprattutto quando si fa riferimento ad applicazioni pratiche. Mentre AI \u00e8 un termine generico che include varie tecnologie in grado di replicare o simulare comportamenti umani, il Machine Learning \u00e8 una specifica branca dell\u2019AI focalizzata sull\u2019apprendimento dai dati. <\/p>\n\n\n\n<p>Per semplificare, l\u2019AI 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. \u00c8 una delle tecnologie pi\u00f9 pratiche e utilizzate, specialmente nell\u2019ottimizzazione dei processi industriali. <\/p>\n\n\n\n<p class=\"has-azzurro-acqua-color has-text-color has-link-color has-h-3-font-size wp-elements-8fd4710c26e146bb416de8cb7cbe2097\">Potenzialit\u00e0 del machine learning per il risparmio energetico <\/p>\n\n\n\n<p>La transizione energetica \u00e8 diventata una priorit\u00e0 per tutto il comparto industriale e soprattutto le industrie energivore svolgono un ruolo cruciale. Il Machine Learning offre numerose opportunit\u00e0 per migliorare l\u2019efficienza energetica nelle industrie di processo. Grazie alla capacit\u00e0 di analizzare grandi quantit\u00e0 di dati e identificare pattern complessi, pu\u00f2 essere utilizzato per:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Realizzare il cosiddetto Digital Twin: il suo obiettivo principale \u00e8 quello di simulare, analizzare e ottimizzare il comportamento e le performance del suo equivalente fisico. <\/li>\n\n\n\n<li>Ottimizzare i consumi energetici: la simulazione in tempo reale sul Digital Twin pu\u00f2 determinare una regolazione dinamica dei parametri di funzionamento degli impianti per ridurre al minimo il consumo energetico. <\/li>\n<\/ul>\n\n\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"626\" src=\"https:\/\/www.cartaecartiere.com\/wp-content\/uploads\/2024\/10\/ARTICOLI-ottobre-130-1024x626.jpg\" alt=\"\" class=\"wp-image-6881\" srcset=\"https:\/\/www.cartaecartiere.com\/wp-content\/uploads\/2024\/10\/ARTICOLI-ottobre-130-1024x626.jpg 1024w, https:\/\/www.cartaecartiere.com\/wp-content\/uploads\/2024\/10\/ARTICOLI-ottobre-130-300x183.jpg 300w, https:\/\/www.cartaecartiere.com\/wp-content\/uploads\/2024\/10\/ARTICOLI-ottobre-130-768x469.jpg 768w, https:\/\/www.cartaecartiere.com\/wp-content\/uploads\/2024\/10\/ARTICOLI-ottobre-130-1536x939.jpg 1536w, https:\/\/www.cartaecartiere.com\/wp-content\/uploads\/2024\/10\/ARTICOLI-ottobre-130-600x367.jpg 600w, https:\/\/www.cartaecartiere.com\/wp-content\/uploads\/2024\/10\/ARTICOLI-ottobre-130.jpg 1895w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\">Livelli di utilizzo dei dati nelle industrie europee.<\/figcaption><\/figure>\n\n\n\n<p>La progressiva digitalizzazione dei processi con l\u2019acquisizione di numerosi dati in tempo reale consente di utilizzare efficacemente il ML per l\u2019analisi dei dati e l\u2019identificazione 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\u2019efficienza energetica \u00e8 inferiore al previsto, di suggerire interventi correttivi e attivamente adattare i processi in tempo reale per migliorare l\u2019efficienza. <\/p>\n\n\n\n<p>In aggiunta, \u00e8 in grado di migliorare la \u201cspecializzazione\u201d mediante l\u2019aggiornamento continuo dei modelli operativi, integrati con nuovi dati, migliorando cos\u00ec la loro accuratezza e rilevanza. Questo approccio \u00e8 particolarmente utile per adattarsi alle variazioni nelle condizioni operative o nei requisiti normativi. <\/p>\n\n\n<div class=\"cecAdv-banner-wrap\">\n\t<div class=\"cecAdv\"  data-advshow=\"advframe-6880\">\n\t\t<a href=\"https:\/\/tecmecsrl.com\/\" target=\"_blank\">\n\t\t\t<img decoding=\"async\" src=\"https:\/\/www.cartaecartiere.com\/wp-content\/uploads\/2024\/10\/PUBB-ottobre-65.jpg\" no-lazy\/>\n\t\t<\/a>\n\t<\/div>\n<\/div>\n\n\n\n<p class=\"has-azzurro-acqua-color has-text-color has-link-color has-h-3-font-size wp-elements-e4a60feb667ce6e82ee07d1f44a0781a\">Livello di maturit\u00e0 delle industrie europee nell\u2019utilizzo dei dati<\/p>\n\n\n\n<p>Secondo uno studio condotto da HPE nel febbraio 2023, solo il 3% delle industrie europee ha raggiunto il livello L5, definito come \u201cReal-time data push &amp; full enablement of innovation and external data monetization\u201d. Questo livello rappresenta la capacit\u00e0 di integrare e utilizzare dati in tempo reale per favorire l\u2019innovazione e monetizzare i dati esterni, una caratteristica fondamentale per un\u2019industria realmente ottimizzata ed efficiente. <\/p>\n\n\n\n<p>Sono invece molto pi\u00f9 diffuse le aziende che raccolgono dati (29%) e che li analizzano a \u201cfreddo\u201d (37%): sembra quindi mancare la capacit\u00e0 di analizzare la mole di dati per costruire dei modelli di \u201cintelligenza\u201d in grado di prendere decisioni rapidamente e autonome, orientate a migliorare sia il risultato economico che ambientale. <\/p>\n\n\n\n<p>La capacit\u00e0 di combinare efficienza economica e ambientale \u00e8 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\u2019efficienza sono prioritari nella scelta delle azioni da implementare.<\/p>\n\n\n<style>\n\t#block_441b31f17f8b9803dd802538e18be3aa{\n\t\tbackground-color: #57a7b3;\n\t\tcolor:  #f9f9f9\t}\n\n\t#block_441b31f17f8b9803dd802538e18be3aa h1,\n\t#block_441b31f17f8b9803dd802538e18be3aa h2,\n\t#block_441b31f17f8b9803dd802538e18be3aa h3,\n\t#block_441b31f17f8b9803dd802538e18be3aa h4,\n\t#block_441b31f17f8b9803dd802538e18be3aa h5,\n\t#block_441b31f17f8b9803dd802538e18be3aa h6{\n\t\tcolor:  #f9f9f9\t}\n<\/style>\n<div class=\"clearfix cec-box-informativo p-3\" id=\"block_441b31f17f8b9803dd802538e18be3aa\" style=\"\">\n\t<div class=\"acf-innerblocks-container\">\n\n<h2 class=\"wp-block-heading\">CASO DI STUDIO NELL\u2019INDUSTRIA CARTARIA: L\u2019ALGORITMO PSHAVE\u00ae PER LA RIDUZIONE DEI CONSUMI ENERGETICI<\/h2>\n\n\n\n<p><strong>Contesto<\/strong><\/p>\n\n\n\n<p>PShave\u00ae \u00e8 una piattaforma avanzata che combina algoritmi di programmazione lineare intera mista (MILP), machine learning e altre tecnologie per l\u2019ottimizzazione dei processi. La piattaforma \u00e8 progettata per analizzare grandi quantit\u00e0 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\u2019impianto 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 \u00e8 stato operato alla massima potenza per soddisfare il carico elettrico e il fabbisogno di vapore, entrambi superiori alla capacit\u00e0 produttiva delle turbine.<\/p>\n\n\n\n<p><strong>Applicazione del pacchetto algoritmico Pshave\u00ae <\/strong><\/p>\n\n\n\n<p>L\u2019implementazione dell\u2019algoritmo Pshave\u00ae 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\u2019analisi 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. <\/p>\n\n\n\n<p>Risultati<\/p>\n\n\n\n<p>Mediante l\u2019attuazione del comando in tempo reale, basato sull\u2019elaborazione dei dati per scegliere la strategia di gestione economica migliore dell\u2019impianto di cogenerazione, si \u00e8 ottenuto:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>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\u2019energia elettrica non compensa l\u2019extra consumo di gas complessivo. <\/li>\n\n\n\n<li>Riduzione delle emissioni di CO2: il miglioramento dell\u2019efficienza energetica comporta anche la riduzione contestuale delle emissioni totali di stabilimento, ridotte dell\u20198% in un anno. <\/li>\n\n\n\n<li>Ulteriore ottimizzazione del processo: il Digital Twin pu\u00f2 essere esteso progressivamente ad altri componenti fino a includere interamente il processo produttivo.<\/li>\n<\/ul>\n\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"<p>Negli ultimi anni, l\u2019introduzione dell\u2019Intelligenza Artificiale (AI) nelle industrie ha generato un notevole clamore. Tuttavia, \u00e8 fondamentale distinguere tra AI e Machine Learning (ML), soprattutto quando si fa riferimento ad applicazioni pratiche. Mentre AI \u00e8 un termine generico che include varie tecnologie in grado di replicare o simulare comportamenti umani, il Machine Learning \u00e8 una &hellip; <a href=\"https:\/\/www.cartaecartiere.com\/en\/lintroduzione-dellai-nellindustria-machine-learning-e-transizione-energetica\/\">Continued<\/a><\/p>\n","protected":false},"author":2,"featured_media":6889,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false,"footnotes":""},"categories":[154],"tags":[90],"class_list":["post-6880","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ottobre-24","tag-energia-in-cartiera"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.cartaecartiere.com\/en\/wp-json\/wp\/v2\/posts\/6880","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.cartaecartiere.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.cartaecartiere.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.cartaecartiere.com\/en\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.cartaecartiere.com\/en\/wp-json\/wp\/v2\/comments?post=6880"}],"version-history":[{"count":1,"href":"https:\/\/www.cartaecartiere.com\/en\/wp-json\/wp\/v2\/posts\/6880\/revisions"}],"predecessor-version":[{"id":6891,"href":"https:\/\/www.cartaecartiere.com\/en\/wp-json\/wp\/v2\/posts\/6880\/revisions\/6891"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.cartaecartiere.com\/en\/wp-json\/wp\/v2\/media\/6889"}],"wp:attachment":[{"href":"https:\/\/www.cartaecartiere.com\/en\/wp-json\/wp\/v2\/media?parent=6880"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.cartaecartiere.com\/en\/wp-json\/wp\/v2\/categories?post=6880"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.cartaecartiere.com\/en\/wp-json\/wp\/v2\/tags?post=6880"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}