هوش مصنوعی چگونه صنعت فولاد را سبزتر می‌کند؟؛ نگاهی به پروژه DiGreeS

به گزارش پایگاه خبری «معدن نامه»،  صنعت فولاد اروپا در حال گذار سریع به سمت تولید پایدارتر و کاهش ردپای کربن است و پروژه DiGreeS به‌عنوان یکی از ابتکارات کلیدی در این تحول عمل می‌کند. این پروژه که با عنوان کامل کاربرد دوقلوهای دیجیتال در زنجیره ارزش فولاد سبز (Demonstration of Digital Twins for a Green Steel Value Chain) و بودجه نزدیک به 5 میلیون یورو از سوی اتحادیه اروپا حمایت می‌شود، از 2025 آغاز شده و تا ۲۰۲۸ ادامه خواهد یافت. هماهنگی کلی بر عهده مؤسسه Fraunhofer آلمان قرار دارد و در آن 11 شریک از مراکز پژوهشی و صنعتی اروپا شامل شرکت فولاد Tata Steel هلند، شرکت فولاد Saarstahl آلمان، گروه فولادی اتریشی voestalpine، K1-MET، VDEh و صنایع اسپکترال (SPECTRAL) همکاری می‌کنند.

هدف اصلی پروژه DiGreeS توسعه یک پلتفرم دیجیتال کاربرپسند برای تولید فولاد است که با بهره‌گیری از سنسورهای نوین فیزیکی و نرم، مدل‌سازی پیشرفته و دوقلوهای دیجیتال، فرایند تأیید مواد ورودی، کنترل هوشمند کوره قوس الکتریکی و بهینه‌سازی کیفیت محصولات نهایی را متحول سازد. این رویکرد، یکپارچه‌سازی داده‌های صنعتی را در سراسر زنجیره ارزش فولاد ممکن می‌سازد و با بهره‌برداری کامل از الگوریتم‌های هوش مصنوعی و یادگیری ماشین، سناریوهای مختلف عملیاتی را شبیه‌سازی و بهینه می‌کند.

در بستر چالش‌های موجود، افزایش سهم ضایعات فولادی در تولید به‌عنوان راهکاری کلیدی برای کاهش ردپای کربنی شناخته می‌شود، اما موانع فنی متعددی وجود دارد؛ مثلاً قراضه‌های سنگین اغلب حجیم، ناهمگن و دشوار برای تحلیل دقیق ترکیب شیمیایی هستند و این امر به ایجاد ناخالصی‌، نوسان کیفیت محصول، افزایش ضایعات فرایندی و مصرف انرژی بالاتر منجر می‌شود.

پروژه DiGreeS با تمرکز بر سه مورد کاربردی اصلی این موانع را هدف قرار داده است: تأیید و بهینه‌سازی قراضه ورودی، کنترل و بهینه‌سازی فرایند ذوب در کوره قوس الکتریکی و نورد ورق‌های فولادی. در نتیجه، انتظار می‌رود کیفیت فولاد خام و محصولات نهایی ارتقا یابد، مصرف انرژی و مواد اولیه بهینه شود و پتانسیل صرفه‌جویی سالانه تا 800 میلیون یورو و کاهش انتشار دی‌اکسید کربن تا 6 میلیون تن در سطح صنعت فولاد فراهم آید. این ارقام معادل حذف میلیون‌ها خودرو از جاده‌ها یا صرفه‌جویی‌های عظیم در زنجیره تأمین انرژی است.

یکی از نوآوری‌های فنی برجسته در شرکت تاتا استیل هلند، به‌کارگیری تکنیک طیف‌سنجی شکست لیزری القایی یا LIBS برای تحلیل آنی و درجای ترکیب قراضه است. در این سیستم، کامیون حامل قراضه وارد دروازه‌ای مجهز به لیزرهای صنعتی پرقدرت می‌شود. لیزر بخش‌های میکروسکوپی از سطح فولاد را به‌صورت موضعی تبخیر کرده و پلاسمای گازی محلی ایجاد می‌کند که حاوی تمام عناصر آلیاژی و ناخالصی‌های موجود در نمونه است. دوربین‌های طیفی پیشرفته نور ساطع‌شده از پلاسما را ثبت و تحلیل می‌کنند تا درصد دقیق عناصری مانند کربن، سیلیسیم، منگنز، فسفر، گوگرد، مس و سایر فلزات مزاحم تعیین شود. این فرایند با الگوریتم‌های تشخیص تصویر مبتنی بر هوش مصنوعی ترکیب می‌شود که ویژگی‌های بصری قراضه را به‌سرعت دسته‌بندی کرده و با داده‌های طیفی همخوان می‌سازد. نتیجه، کاهش زمان نمونه‌برداری، تسریع لجستیک شارژ کوره و کاهش خطاهای انسانی است. دوقلوی دیجیتال این دروازه لیزری، کل فرایند را در محیط مجازی شبیه‌سازی می‌کند تا سناریوهای مختلف ترکیب ضایعات تست‌شده و پارامترهای بهینه برای شارژ مستقیم استخراج شود. اندازه‌گیری‌های اولیه با این فناوری برای سه‌ماهه نخست ۲۰۲۵ برنامه‌ریزی شد و نمونه اولیه عملیاتی آن تا آخر سال ۲۰۲۶ آماده بهره‌برداری خواهد بود. این رویکرد نه‌تنها دقت تحلیل را به سطوح بالاتر می‌رساند بلکه ضایعات فرایندی را به حداقل رسانده و به کاهش قابل‌توجه انتشار کربن کمک می‌کند، زیرا بازیافت هر تن ضایعات انرژی بسیار کمتری نسبت به تولید فولاد از سنگ‌آهن مصرف می‌کند.

در شرکت Saarstahl، تمرکز بر بهینه‌سازی کوره قوس الکتریکی در کارخانه فولادسازی است. نوسانات ترکیب قراضه ورودی، مصرف انرژی را افزایش داده و کیفیت مذاب را تحت تأثیر قرار می‌دهد. دوقلوهای دیجیتال مدل حرارتی، شیمیایی و الکترومغناطیسی کامل فرایند EAF را ایجاد می‌کنند. سنسورهای آنلاین دما، فشار قوس، ترکیب گازهای خروجی و لرزش‌ها، داده‌های واقعی را تأمین کرده و مدل‌های یادگیری ماشین الگوهای مصرف انرژی و رفتار ذوب را پیش‌بینی می‌کنند. هوش مصنوعی سپس تنظیمات پویا برای قدرت قوس، افزودن مواد اکسیدکننده یا زمان‌بندی مراحل را پیشنهاد می‌دهد. شبیه‌سازی سناریوهای متعدد پیش از اجرای واقعی، ریسک خطا را کاهش و بازده کلی فرایند را افزایش می‌دهد. این سیستم با داده‌های بالادستی از مرحله تأیید قراضه یکپارچه شده و قابلیت ردیابی کامل از ورودی تا خروجی مذاب را فراهم می‌آورد که برای کنترل کیفیت آلیاژهای خاص حیاتی است. در نمونه عملی سوم که گروه voestalpine آن را هدایت می‌کند، بهینه‌سازی فرایند نورد ورق‌های فولادی پیگیری می‌شود. این مرحله برای دست‌یابی به صافی سطح و خواص مکانیکی مطلوب ورق‌ها ضروری است، اما مصرف انرژی بالایی دارد. دوقلوی دیجیتال مدل سه‌بعدی حرارتی-مکانیکی غلتک‌ها و ورق را شبیه‌سازی کرده و با سنسورهای آنلاین نیرو، سرعت، دما و تنش، انحرافات را تشخیص می‌دهد. الگوریتم‌های هوش مصنوعی تنظیمات غلتک‌ها، فشار و سرعت را بهینه‌سازی می‌کنند تا ضایعات ناشی از اعوجاج کاهش یابد. این مدل‌ها با داده‌های مراحل قبلی ذوب و نورد ادغام شده و زنجیره ارزش را به‌صورت یکپارچه مدیریت می‌کنند. نتیجه، افزایش کیفیت ورق‌ها، کاهش مصرف انرژی و بهبود قابلیت بازیافت محصولات نهایی است.

معماری کلی پلتفرم DiGreeS بر پایه ترکیبی از محاسبات هیبرید لبه و ابری بنا شده است. داده‌های حجیم از سنسورها و دوربین‌های پیشرفته ترموگرافی و دستگاه‌های لرزش‌سنج با پروتکل‌های استاندارد صنعتی تبادل می‌شوند. تکنیک‌های Big Data و یادگیری ماشین عمیق برای پردازش، فیلترینگ نویز و استخراج ویژگی‌ها به کار گرفته می‌شوند. دوقلوهای دیجیتال با قابلیت همگام‌سازی دوطرفه، حالت‌های واقعی و مجازی را به یکدیگر متصل کرده و امکان اجرای آزمایش‌های مجازی گسترده را فراهم می‌آورند. امنیت سایبری با لایه‌های رمزنگاری و کنترل دسترسی، حفاظت از داده‌های حساس صنعتی را تضمین می‌کند. رویکرد نظارت انسانی نیز اطمینان می‌دهد که مدل‌ها با تجربیات عملیاتی کارکنان کارخانه تطبیق یابند و پذیرش صنعتی تسهیل شود.

از منظر فنی، DiGreeS قابلیت گسترش به سایر کارخانه‌ها را دارد. استانداردسازی مدل‌های دوقلو و توسعه APIهای باز، همکاری بین‌سازمانی را ممکن می‌سازد. چالش‌های موجود شامل هزینه اولیه پیاده‌سازی سنسورهای پیشرفته، ادغام با سیستم‌های قدیمی و مدیریت حجم بالای داده‌های ناهمگن است که با راهکارهای لرنینگ و لبه هوش مصنوعی تا حد زیادی قابل مدیریت است. نتایج اولیه پروژه نشان‌دهنده بهبود قابل‌توجه در دقت پیش‌بینی کیفیت و کاهش مصرف انرژی است که در مقیاس صنعتی تأثیرات اقتصادی و زیست‌محیطی عمیقی به همراه خواهد داشت.

در چشم‌انداز بلندمدت، DiGreeS الگویی برای تحول دیجیتال صنایع سنگین ارائه می‌دهد. با افزایش سهم فولاد بازیافتی در تولید جهانی، وابستگی به منابع اولیه کاهش یافته و مسیر به‌سوی فولاد نزدیک به صفر کربن هموارتر می‌شود. این فناوری‌ها نه‌تنها اهداف برنامه سبز اروپا را پشتیبانی می‌کنند، بلکه برای صنایع خودروسازی، ساخت‌وساز و انرژی تجدیدپذیر، مواد اولیه با کیفیت بهتر و ردپای کربنی کمتر فراهم می‌آورند. ادغام بیشتر با فناوری‌های نوظهور مانند یادگیری تقویتی و دوقلوهای چندفیزیکی، دقت و کارایی را به سطوح بالاتری خواهد رساند. در نهایت، پروژه DiGreeS نشان می‌دهد که ترکیب دقیق لیزرهای تحلیلی، هوش مصنوعی پیش‌بینی‌کننده و مدل‌سازی مجازی می‌تواند صنعت فولاد را به سمت پایداری واقعی و اقتصاد چرخشی قوی‌تری سوق دهد و الگویی جهانی برای سایر بخش‌های انرژی‌بر ایجاد کند.