إدارة النفايات في الصناعة الكيميائية. كيف تتراجع

الصناعة الكيميائية هي واحدة من أكثر الصناعات تلويثا في العالم. كل عام ، يتم إنتاج ملايين الأطنان من النفايات الخطرة بواسطة النباتات الكيميائية. تشمل هذه النفايات المواد الكيميائية السامة والمعادن الثقيلة والمواد الضارة الأخرى التي يمكن أن تلوث الهواء والماء والتربة. إدارة النفايات هي قضية حرجة للصناعة الكيميائية. إذا لم تتم إدارتها بشكل صحيح ، يمكن أن تسبب النفايات التلوث البيئي والمشاكل الصحية محليًا للأشخاص الذين يعيشون بالقرب من النباتات الكيميائية وعلى مستوى العالم من خلال التأثير على المناخ والنظم الإيكولوجية.

والخبر السار هو أن الحلول القائمة على الذكاء الاصطناعي يمكن أن تساعد في تقليل النفايات في الصناعة الكيميائية. يمكن استخدام الذكاء الاصطناعي لتتبع وتنبؤ بإطلاق المواد الكيميائية الخطرة ، وتحسين عمليات الإنتاج لتقليل النفايات ، وتوفير دعم اتخاذ القرار لإدارة النفايات. في هذه المقالة ، سوف نستكشف كيف يمكن استخدام الذكاء الاصطناعي لتقليل كمية النفايات التي تنتجها الشركات المصنعة للمواد الكيميائية. سوف ننظر في كيفية مساعدة الذكاء الاصطناعى في تحديد ومنع إنتاج النفايات ، وكذلك المساعدة في إدارة وإعادة تدوير منتجات النفايات.

النفايات الصناعية - العامل الأكبر في توليد النفايات العالمية

مع ارتفاع الوعي البيئي ، يتم التعامل مع موضوع النفايات بشكل أكثر جدية. في السنوات الأخيرة ، تحول وزن النقاش العام من مسؤولية الشخصية إلى الشركات. هذا اتجاه معقول ، بالنظر إلى أن النفايات الصناعية تشكل غالبية توليد النفايات العالمية.

على نطاق محلي أكثر ، لا تختلف الأمور. استنادًا إلى بيانات المفوضية الأوروبية (Eurostat) ، من الواضح أن مساهمة الأسر والخدمات "في توليد النفايات بسيطة مقارنة بالنشاط الصناعي. في عام 2016 ، كانت النسبة المئوية للحصة من هذه القطاعات أقل من 14 ٪. كان البناء في المقام الأول ، لكن الأنشطة الصناعية كانت متأخرة فقط (التصنيع (11.1 ٪) ، والتعدين والمحاجر (27.6 ٪).

مع حصة 9.5 ٪ ، تساهم مياه الصرف في المشكلة. في حين أن مياه الصرف الحضرية لديها نصيبها العادل في إجمالي توليد النفايات ، فإن مياه الصرف الصناعية هي مكعبات الصفقات الحقيقية لأنها غالباً ما تحتوي على مواد أكثر إشكالية في تركيزات أعلى. نتيجة لذلك ، فإن علاجها مكلف للغاية ومرضى على متطلبات محددة.

إدارة النفايات الكيميائية

تظهر هذه القضية نفسها في التصنيع الكيميائي ، وهو موضوع مقال اليوم. في حين يمكن معالجة مياه التبريد وإعادتها إلى دائرة الاستهلاك ، فإن تلك المستخدمة في التصنيع الكيميائي قد لا تكون مناسبة لمثل هذا العلاج. الأمر نفسه ينطبق على المواد الصلبة. هذا هو السبب في أن الجزء الحاسم من إدارة النفايات الكيميائية يقلل من النفايات. إنه أيضًا مبدأ أساسي لتصنيع Lean ، وهي منهجية لإدارة عملية الإنتاج تتبعها غالبية النباتات الكيميائية اليوم. نشأ من نظام إنتاج Toyota ، تضع Lean Management التخلص من النفايات في جوهرها مع استخدام مبدأ تحسين مستمر.

في العقود الأخيرة ، سمحت الجهود العلمية والتنمية التكنولوجية للشركات الكيميائية بتقليل نفايات التصنيع بشكل كبير. ومع ذلك ، لا يزال هناك الكثير مما يجب القيام به. مع استمرار ارتفاع الاستهلاك العالمي العام ، نحتاج إلى طرق أكثر راديكالية وفعالة لمنع الإفراط في إنتاج النفايات الصناعية. من خلال هذه المقالة ، سنقوم بالتحقيق في كيفية المساهمة في التعلم الآلي.

يمكن تقسيم النفايات الكيميائية إلى سائل ، صلبة ، وغازية ، وقد تشمل مواد كيميائية نقية ، وغالبًا ما تكون غير مستخدمة أو منتهية الصلاحية ، والمذيبات ، والزيت المستخدم ، والنيتروجين ، والمعادن ، وما إلى ذلك. كما النفايات الكيميائية. اقرأ المزيد عن سلسلة التوريد الكيميائية هنا.

تستخدم الصناعة الكيميائية كميات هائلة من الماء أيضًا - للتبريد وأيضًا لأغراض التصنيع (في عمليات مثل التقطير ، التكرير ، ارتفاع المنتج ، إلخ). بمجرد استخدامها ، تحتوي هذه المياه على مواد غالبًا ما تكون سامة ومقاومة حتى مع معالجة مياه متطورة قليلة ، مثل المبيدات الحشرية أو ما يسمى "المواد الكيميائية للأبد" (PFAs)-فئة من المواد الاصطناعية التي لا تنهار.

حتى الآن ، لا تزال هذه المواد الكيميائية الأكثر ثباتًا يتم إنتاجها وتطبيقها في المنتجات. ساهم التعلم الآلي في اكتشافهم وتصنيفهم في السنوات الأخيرة - ما زلنا نعرفهم على الرغم من أنه تم اختراعه في الأربعينيات. تشمل الملوثات المقاومة الأخرى ، مع وجود الجاني الرئيسي المصنّعين الصيدلانيين ، الاستروجين والمضادات الحيوية.

تتطلب النفايات الكيميائية مقاربة معينة للتخزين (على سبيل المثال ، لا يمكن تخزين العديد من المواد في الحاويات القياسية المصنوعة من البلاستيك أو الزجاج). إعادة التدوير هي أيضًا أكثر تعقيدًا من حالة النفايات الجماعية بسبب تدابير السلامة. ومع ذلك ، فإن الصناعة الكيميائية تتحسن في تحويل النفايات - وفقًا لوكالة حماية البيئة الأمريكية) ، في عام 2020 ، تم إطلاق 3 ٪ فقط منها في البيئة. تم التعامل مع الجزء المتبقي مع العلاج واستعادة الطاقة وإعادة التدوير.

طرق تقليل النفايات - حالات استخدام التعلم الآلي

في حين لا يمكن منع توليد النفايات الجماعية أو التحكم فيها في المصدر ، فإن الصناعية يمكنها. بالنظر إلى التأثير الذي يمكن أن تحدثه المواد الكيميائية على البيئة ، ومدى مقاومة ذلك ، فإن تخطيط الإنتاج الموجهة نحو التخفيض يبدو أفضل طريق نحو مستقبل الصناعة أكثر خضرة. بطبيعة الحال ، فإن ما بعد المعالجة من النفايات مهم ، لكن التدابير الوقائية تسمح للشركات بتجنب ضخ الأموال في عمليات مكلفة والتركيز على التحسين بدلاً من ذلك.

تعرض حالات الاستخدام التالية الدور الذي يمكن أن يلعبه التعلم الآلي في تقليل النفايات الكيميائية. نحن نتعامل مع الموضوع من زوايا مختلفة لتظهر لك الطيف الكامل من قدراته.

زيادة الغلة وتقليل النفايات المفرطة مع التحليلات التنبؤية

غالبًا ما يتم متابعة الكفاءة المتزايدة فيما يتعلق بالادخار ، ولكن في حالة الشركات المصنعة للمواد الكيميائية (أو أي مصنّعين آخرين ، في الواقع) ، قد يقلل أيضًا من التأثير البيئي. تخفيض النفايات ببساطة يؤتي ثماره للنباتات الكيميائية. كلما قلت الخسارة في هذه العملية ، كلما قاموا ببيعهم - على الأرجح - البيع. يمكن أن يساعدهم الذكاء الاصطناعي في تحديد الطرق الأكثر كفاءة لاستخدام منتجات معينة مع توليد أقل نفايات ممكنة.

فحص الجودة القائم على الذكاء الاصطناعى والتنبؤ بتدهور الجودة

تشكل الدُفعات الخاطئة جزءًا كبيرًا من النفايات التي تنتجها النباتات الكيميائية. وبالتالي ، يمكن أن يكون ضمان الجودة الشامل وسيلة رائعة لتقليل كميات نفايات العيوب. مع الذكاء الاصطناعي ، يمكن للمصنعين تحديد المشكلات الموجودة على خط التجميع قبل أن تتحول الدفعة بأكملها إلى معيبة. على سبيل المثال ، يمكن للأنظمة الذكية اكتشاف التلوث المتبادل على الفور ببيانات في الوقت الفعلي المقدمة من أجهزة الاستشعار. تتمتع نماذج الذكاء الاصطناعي أيضًا بالقدرة على منع حدوثها عن طريق تقييم العمليات باستمرار واكتشاف أي انحراف عن القاعدة.

يمكن أن يكون اكتشاف العيوب مدعومًا بالكمبيوتر. على عكس الإدانة الشائعة ، ينطبق الفحص البصري أيضًا على المواد الكيميائية. من خلال تحليل المتغيرات المختلفة - اللون ، والطبقة ، والكثافة ، والحالة الفيزيائية ، وما إلى ذلك ، يمكن للتعلم الآلي اكتشاف العيوب في المنتجات الكيميائية ومنع توليد النفايات المفرطة.

إنشاء جدول صيانة وقائي

بصرف النظر عن الخسارة المالية ، يمكن أن يؤدي أي وقت توقف في المصنع الكيميائي إلى الإفراط في إنتاج النفايات. ذلك لأن بعض المواد لا يمكن إخضاعها لنفس العلاج أو العملية مرتين. قد يفقدون أيضًا عقاراتهم خلال فترة التوقف. هذا هو السبب في أنه من الأهمية بمكان للشركات أن تستمر خط التجميع. وليس هناك طريقة أفضل لمنع الفشل في المعدات من الصيانة التي تعمل بالتعلم الآلي.

يمكن لمنظمة العفو الدولية تحسين جدول الصيانة الوقائي للشركة للكشف عن حالات الفشل المحتملة قبل حدوثها بالفعل. يمكن التعامل معها بطرق مختلفة ، اعتمادًا على مجموعة متنوعة من مصادر البيانات أو المعدات التي تستخدمها الشركة. يحدد اختيار الاستراتيجية النموذج الذي سيتم تطبيقه في العملية. على سبيل المثال ، تخدم نماذج الانحدار بشكل جيد للتنبؤ مدى الحياة المفيدة المتبقية (RUL) لأصل معين.

من الواضح أن كفاءة التنبؤات تعتمد على حجم البيانات وجودتها. من أجل الدقة العالية ، يجب تغذية النموذج مع كل من البيانات التاريخية والوقت الفعلي والثابت من مصادر مختلفة ، بما في ذلك أجهزة الاستشعار ، و ERP ، وغيرها من الأنظمة التي توفر السياق.

تقليل نفايات المياه

تستخدم النباتات الكيميائية المياه على نطاق واسع لدعم العمليات المستمرة المختلفة. الجزء الكبير يذهب لأغراض التبريد. نظرًا لأن التفاعلات الكيميائية التي تشكل جزءًا من عمليات التصنيع قد تتطلب استخدام الحرارة أو انبعاثها ، فإن نظام التبريد ضروري للمصنع للعمل بفعالية وأمان. بينما في الصناعات الأخرى ، فإن التدابير المتعلقة بجودة مياه التبريد ليست صارمة ، فإن الشركات المصنعة الكيميائية تحتاج إلى ضمان أن تكون نقاءها هي الأعلى. أي تلوث يمكن أن يضر بالسلامة ويؤثر على تكوين المنتج.

وبالتالي ، فإن استراتيجية الحد من نفايات المياه الخاصة بهم عادة ما تركز على تعظيم كفاءة برج التبريد. يتيح لهم التعلم الآلي الحفاظ على عمليات التبريد مع أقل من الماء. تم توفيره مع البيانات ، يمكن أن يجد النموذج تسربًا ويقدر كمية المياه المفقودة في جزء معين من العملية. بناءً على تلك المعلومات ، يمكن لمدير المصنع أو أي شخص آخر مسؤول عن كفاءة عمليات التصنيع أن يقرر التدابير التي يمكن أن تقلل من نفايات المياه.

التخلص من النفايات بحلقة مغلقة لنظام التصنيع

إعادة تدوير مياه الصرف الصحي هي جزء حاسم آخر من استراتيجية الحد من النفايات. أصبح من الأكثر شيوعًا تحويل أجزاء النباتات الكيميائية إلى وحدات دائرة مغلقة حيث يتم إعادة استخدام الماء بشكل مستمر لأغراض مختلفة.

يمكن للمصنعين استخدام أنواع مختلفة من العلاج لتنقية مياه الصرف الصحي ، اعتمادًا على الشوائب التي قد تحتوي عليها. في حين يمكن التعامل مع المواد الصلبة الجسيمية مع الترشيح ، فإن الملوثات الأخرى تتطلب طرقًا أكثر تفصيلاً. غالبًا ما يدعم التعلم الآلي عمليات صنع القرار فيما يتعلق بتخطيط العلاج.

يمكن أن يحلل نموذج التصنيف بسرعة بيانات مستشعر عينة الماء للكشف عن الملوثات وتصنيفها على أنها بيولوجية أو صناعية ، صلبة ، سائلة ، إلخ. مزيج فعال من حيث استخدام المياه ، واستخدام الطاقة ، إلخ.

تطبيقات الذكاء الاصطناعي في إعادة التدوير

هناك طريقة أخرى للتعلم الآلي لدعم الحد من النفايات في التصنيع الكيميائي وهي إعادة التدوير الذكي. يمكن أن يؤدي النموذج المدربين جيدًا إلى تبسيط إعادة تدوير مياه الصرف الصحي ، وأيضًا المنتجات والمعدات المستخدمة في عملية التصنيع ، مثل الحاويات وخطوط الأنابيب ، إلخ عناصر للتعرف على نوع النفايات وتقييم مدى ملاءمتها لإعادة التدوير.

في مثل هذه الحالة ، يتم إرسال الصورة من جهاز التقاط إلى الترجمة. يقيس نموذج التصنيف المدربين على صور أنواع النفايات المختلفة بيانات الإدخال ويعزو فئة إليها من أجل تحديد النفايات. على هذا الأساس ، يتخذ النظام قرارًا تلقائيًا بشأن مكان وضع قطعة معينة. تتمثل الخطوة الإضافية في التحقق مما إذا كان يمكن إعادة تدوير النفايات وتصنيفها بناءً على نوع العلاج الذي يتطلبه.

تخطيط الإنتاج على أساس الطلب

تتعرض المواد الكيميائية للمعايير الصارمة على قدم المساواة فيما يتعلق بحياتها الإنتاجية كمنتجات غذائية. يمكن أن يزود ذلك بتوليد النفايات ، وخاصة في المشهد الاقتصادي الحالي الذي يعزز التقلبات في الطلب.

بينما في الماضي ، تعتمد الشركات على الأساليب الإحصائية لتقدير الطلب ، يمكنها الآن التواصل مع التعلم الآلي للحصول على تقديرات دقيقة. باستخدام تقنيات التعلم العميق ، يمكنهم تحديد الأنماط في البيانات التاريخية المقدمة وتطبيق هذه المعرفة للتنبؤ بالطلب المستقبلي.

مع هذا الدعم ، يمكن للمصنعين إنشاء خطط إنتاج تعكس الطلب المحتمل بدلاً من الاعتماد فقط على عوامل الموسمية. مع ذلك يأتي مقاربة أكثر مرونة لترتيب المكونات. وهذا يعني عدد أقل من مواد منتهية الصلاحية والمنتجات النهائية التي تشكل مشكلة في الاستفادة من وإعادة التدوير.

فوائد الذكاء الاصطناعي في التصنيع الذكي وإدارة النفايات الذكية

مع الأنظمة الذكية التي تحركها الذكاء الاصطناعي ، يمكن للمحطات الكيميائية اتخاذ قرارات أفضل مستنيرة بناءً على مخرجات دقيقة. في الوحدات الكبيرة ، قد يكون من الصعب تتبع عدد العمليات المستمرة ، مما يفضل توليد النفايات المفرطة. تؤدي نماذج التعلم الآلي هذه المهام التحليلية الدنيوية المعرضة للخطأ ، وإيجاد مجالات للتحسين من حيث توليد النفايات وإدارة النفايات دون أي مشاركة بشرية.

مع التحليلات التنبؤية ، يمكن للمصنعين الكيميائيين تبني نهج أكثر مرونة في التصنيع والترتيب. بدلاً من مواد التخزين التي يمكن أن تنتهي صلاحيتها ، فإنها تعدل أوامرهم على الطلب المقدر بالبيانات ذات الصلة وتقليل نفايات المخزون. يعكس إنتاجهم احتياجات السوق ، ومعظم منتجاتها تفي بمعايير الجودة بفضل فحص الجودة التي تحركها الذكاء الاصطناعي والصيانة التنبؤية. وهذا يعني أقل من النفايات والمزيد من الدخل.

مع مهام التصنيف التي تعمل بالتعلم الآلي ، يمكن للمصنعين الكيميائيين تحديد الملوثات بشكل أسرع ، وتبسيط معالجة مياه الصرف الصحي ، وعمليات إعادة التدوير.

المستقبل الأخضر للصناعة الكيميائية

كما ترون ، يؤثر الذكاء الاصطناعي على توليد النفايات في النباتات الكيميائية بطرق مختلفة.

في الأساس ، يتم التخطيط لكل محطة كيميائية تم إنشاؤها حديثًا في الوقت الحاضر مع مبدأ الحلقة المغلقة بحيث لا يترك أي مياه صرف الدائرة. كما ذكرنا ، يتم إطلاق 3 ٪ فقط من مياه الصرف الصحي الكيميائي في الولايات المتحدة إلى البيئة ، ونأمل أن تنخفض قريبًا إلى الصفر.

في السيناريو الأكثر تفاؤلاً ، سيحول التعلم الآلي وحدات التصنيع إلى أنظمة دائرية ومستدامة جزئيًا لا تعتمد على مصادر المياه الخارجية لأغراض التبريد والتصنيع. بالنظر إلى أن الموارد المائية تتقلص ، وأن التنبؤات المناخية ليست متفائلة للغاية ، فمن الضروري أن تقوم الشركات الكيميائية بإجراء هذا الانتقال في المستقبل القريب. الذكاء الاصطناعي يجعلها أكثر سلاسة ويمكن الوصول إليها. في نفس الوقت ، نتوصل إلى خطط علاجية جديدة وفعالة في الماء وأكثر فاعلية يتم تبسيطها مع تصنيف ML.

هل لديك فكرة عن تطبيق تقنية ML على عملك؟ أو ربما ترغب في سماع المزيد عن تطبيقاتها في الصناعة الكيميائية من جانبنا؟ تواصل معنا حتى نتمكن من التحدث!