화학 산업의 폐기물 관리. Redu의 방법

화학 산업은 세계에서 가장 오염 된 산업 중 하나입니다. 매년 수백만 톤의 위험 폐기물이 화학 식물에 의해 생산됩니다. 이 폐기물에는 독성 화학 물질, 중금속 및 공기, 물 및 토양을 오염시킬 수있는 기타 유해 물질이 포함됩니다. 폐기물 관리는 화학 산업의 중요한 문제입니다. 제대로 관리되지 않으면 폐기물은 기후 및 생태계에 영향을 미쳐 화학 공장 근처와 전 세계적으로 거주하는 사람들에게 현지에서 환경 오염 및 건강 문제를 일으킬 수 있습니다.

좋은 소식은 AI 기반 솔루션이 화학 산업의 폐기물을 줄이는 데 도움이 될 수 있다는 것입니다. AI는 유해 화학 물질의 방출을 추적하고 예측하고, 생산 공정을 최적화하여 폐기물을 줄이며, 폐기물 관리에 대한 의사 결정 지원을 제공하는 데 사용될 수 있습니다. 이 기사에서는 인공 지능을 사용하여 화학 제조업체가 생산하는 폐기물의 양을 줄일 수있는 방법을 살펴볼 것입니다. 우리는 AI가 폐기물 생산을 식별하고 예방하는 데 어떻게 도움이 될 수 있는지, 폐기물을 관리하고 재활용하는 데 도움을 줄 것입니다.

산업 폐기물 - 글로벌 폐기물 생성의 가장 큰 요인

환경 의식이 상승함에 따라 폐기물 주제는 점점 더 심각하게 취급됩니다. 최근 몇 년 동안, 대중 토론의 무게는 개인에서 기업의 책임으로 전환되었습니다. 산업 폐기물이 전 세계 폐기물 생성의 대부분을 구성한다는 점을 고려하면 합리적인 추세입니다.

보다 현지 규모로는 상황이 다르지 않습니다. 유럽위원회 데이터 (EUROSTAT)를 기반으로, 가구와 폐기물 생성에 대한 서비스의 기여는 산업 활동에 비해 적다는 것이 분명히 보입니다. 2016 년 에이 부문의 비율은 14%미만이었습니다. 건축은 처음 이었지만 산업 활동은 바로 뒤에있었습니다 (제조 (11.1%), 채굴 및 채석 (27.6%).

9.5 %의 점유율로 폐수는 문제에 기여합니다. Urban Wastewater는 전체 폐기물 생성에서 공정한 점유율을 가지고 있지만 산업 폐수는 종종 더 높은 농도로 훨씬 더 많은 문제가있는 물질을 포함하기 때문에 실제 거래 브레이커입니다. 결과적으로, 치료는 특정 요구 사항에 대해 매우 비용이 많이 들고 우발적입니다.

화학 폐기물 관리

이 문제는 오늘날의 기사의 주제 인 화학 제조에서 나타납니다. 냉각수를 처리하고 소비 원으로 되돌릴 수 있지만 화학 제조에 사용되는 것은 그러한 처리에 적합하지 않을 수 있습니다. 고체에도 동일하게 적용됩니다. 그렇기 때문에 화학 폐기물 관리의 중요한 부분은 폐기물을 줄이는 것입니다. 또한 오늘날의 화학 플랜트의 대부분이 따르는 생산 공정 관리 방법 인 Lean Manufacturing의 핵심 원칙입니다. Toyota 생산 시스템에서 시작된 Lean Management는 지속적인 개선 원칙을 사용하면서 폐기물 제거를 핵심으로 제거합니다.

최근 수십 년 동안 과학적 노력과 기술 개발로 화학 회사는 제조 폐기물을 크게 줄일 수있었습니다. 그러나 아직해야 할 일이 많습니다. 일반적인 글로벌 소비가 계속 증가함에 따라 과도한 산업 폐기물 생산을 방지하기위한보다 급진적이고 효율적인 방법이 필요합니다. 이 기사를 통해 기계 학습이 어떻게 기여할 수 있는지 조사 할 것입니다.

화학 폐기물은 액체, 고체 및 기체로 나눌 수 있으며 순수한 화학 물질, 종종 사용하지 않거나 만료 된 산, 용매, 중고 오일, 질소, 표백제, 금속 등을 포함 할 수 있습니다. 화학 물질로 오염 된 제조 장비 및 용기도 분류합니다. 화학 폐기물로. 화학 공급망에 대한 자세한 내용은 여기를 참조하십시오.

화학 산업은 냉각뿐만 아니라 제조 목적 (증류, 정제, 제품 상승 등)을 위해 막대한 양의 물을 사용합니다. 이 물에는 살충제 나 소위 "Forever Chemicals"(PFA)와 같은 몇 도의 정교한 수처리에도 독성이 높고 내성이있는 물질이 포함되어 있습니다.

지금까지 이러한 가장 지속적인 화학 물질은 제품에서 계속 생산되고 적용됩니다. 머신 러닝은 최근 몇 년 동안 탐지 및 분류에 기여했습니다. 우리는 40 대에 발명되었지만 여전히 알게되고 있습니다. 주요 범인이 제약 제조업체 인 다른 내성 오염 물질에는 에스트로겐과 항생제가 포함됩니다.

화학 폐기물은 보관에 대한 특정 접근법이 필요합니다 (예 : 많은 물질은 플라스틱이나 유리로 만든 표준 용기에 저장할 수 없습니다). 재활용은 안전 조치로 인한 공동 폐기물의 경우보다 더 복잡합니다. 그럼에도 불구하고 2020 년 EPA (미국 환경 보호국)에 따르면 화학 산업은 폐기물을 더욱 변화시키는 데 점점 더 나아지고있다. 나머지 부분은 치료, 에너지 회복 및 재활용으로 처리되었습니다.

폐기물 감소 방법 - 기계 학습 사용 사례

공동 폐기물 생성은 소스에서 예방하거나 통제 할 수 없지만 산업은 산업 할 수 있습니다. 화학 물질이 환경에 미칠 수있는 영향과 그들이 얼마나 저항력이 있는지 고려할 때 감소 지향 생산 계획은 업계의 더 친환경적인 미래를 향한 가장 좋은 경로로 보입니다. 물론 폐기물의 치료는 중요하지만 예방 조치를 통해 회사는 비용이 많이 드는 프로세스에 돈을 펌핑하고 대신 최적화에 집중할 수 있습니다.

다음과 같은 유스 케이스는 화학 폐기물을 줄이는 데 역할 기계 학습이 수행 할 수있는 역할을 보여줍니다. 우리는 다른 각도에서 주제에 접근하여 기능의 전체 스펙트럼을 보여줍니다.

예측 분석으로 수확량을 증가시키고 과도한 폐기물을 줄입니다

절약과 관련하여 효율성이 증가하는 경우가 종종 있지만 화학 제조업체 (또는 다른 제조업체)의 경우 실제로 환경 영향을 줄일 수 있습니다. 폐기물 감소는 단순히 화학 식물에 대한 돈을 지불합니다. 프로세스에서 잃을수록 더 많이 생산하고 아마도 판매 할 가능성이 높습니다. 인공 지능은 특정 제품을 사용하는 가장 효율적인 방법을 식별하면서 가능한 최소 폐기물을 생성하는 데 도움이 될 수 있습니다.

AI 기반 품질 검사 및 품질 악화 예측

결함이있는 배치는 화학 식물에서 생산하는 폐기물의 큰 부분을 구성합니다. 따라서 철저한 품질 보증은 결함 폐기물의 양을 줄이는 좋은 방법이 될 수 있습니다. 인공 지능을 사용하면 제조업체는 전체 배치가 결함이 있기 전에 조립 라인의 문제를 식별 할 수 있습니다. 예를 들어, 지능형 시스템은 센서가 제공하는 실시간 데이터로 교차 오염을 즉시 감지 할 수 있습니다. AI 모델은 또한 프로세스를 지속적으로 평가하고 표준으로부터의 편차를 감지함으로써 발생하지 않도록하는 능력이 있습니다.

결함 감지는 컴퓨터 비전을 구동 할 수 있습니다. 일반적인 유죄 판결과는 달리, 육안 검사는 화학 물질에도 적용됩니다. 색상, 계층화, 밀도, 물리적 상태 등 다양한 변수를 분석함으로써 기계 학습은 화학 제품의 결함을 감지하고 과도한 폐기물 생성을 방지 할 수 있습니다.

예방 유지 보수 일정 설정

재정적 손실 외에도 화학 공장의 모든 다운 타임은 과도한 폐기물 생산으로 이어질 수 있습니다. 일부 물질은 동일한 처리 나 과정을 두 번받을 수 없기 때문입니다. 또한 다운 타임 기간 동안 속성을 잃을 수도 있습니다. 그렇기 때문에 회사가 조립 라인을 계속 유지하는 것이 중요합니다. 또한 장비의 고장을 방지하는 더 좋은 방법은 기계 학습보다 강력한 유지 보수보다 더 좋은 방법이 없습니다.

AI는 회사의 예방 유지 보수 일정을 최적화하여 실제로 발생하기 전에 가능한 실패를 감지 할 수 있습니다. 다양한 데이터 소스 또는 회사가 사용하는 장비에 따라 다양한 방식으로 접근 할 수 있습니다. 전략 선택은 프로세스에 적용될 모델을 결정합니다. 예를 들어, 회귀 모델은 특정 자산의 나머지 유용한 수명 (RUL)을 예측하는 데 적합합니다.

예측의 효율은 분명히 데이터의 양과 품질에 달려 있습니다. 높은 정확도를 위해이 모델에는 센서, ERP 및 컨텍스트를 제공하는 기타 시스템을 포함한 다양한 소스의 과거, 실시간 및 정적 데이터를 모두 공급해야합니다.

수분 낭비 감소

화학 플랜트는 다양한 진행중인 공정을 지원하기 위해 물을 광범위하게 사용합니다. 그것의 큰 부분은 냉각 목적으로 사용됩니다. 제조 공정의 일부인 화학 반응은 열을 사용하거나 방출해야 할 수 있으므로 냉각 시스템은 식물이 효과적이고 안전하게 기능하는 데 필수적입니다. 다른 산업에서는 냉각수의 품질에 관한 조치가 엄격하지 않지만 화학 제조업체는 순도가 가장 높음을 보장해야합니다. 모든 오염은 안전성을 손상시키고 제품의 구성에 영향을 줄 수 있습니다.

따라서, 그들의 물 폐기물 감소 전략은 일반적으로 냉각탑 효율을 극대화하는 데 중점을 둡니다. 머신 러닝을 통해 냉각 공정을 적은 물로 유지할 수 있습니다. 데이터와 함께 제공되는 모델은 누출을 찾아 공정의 특정 부분에서 손실 된 물의 양을 추정 할 수 있습니다. 이 정보를 바탕으로 플랜트 관리자 또는 제조 공정의 효율성을 담당하는 다른 사람은 물 폐기물을 줄일 수있는 조치를 결정할 수 있습니다.

폐쇄 된 제조 시스템 루프로 폐기물을 제거하십시오

폐수 재활용은 폐기물 감소 전략의 또 다른 중요한 부분입니다. 화학 플랜트의 일부를 다른 목적을 위해 물이 지속적으로 재사용되는 폐쇄 회로 단위로 바꾸는 것이 점점 더 일반화되고 있습니다.

제조업체는 다른 유형의 처리를 사용하여 포함 할 수있는 불순물에 따라 폐수를 정화 할 수 있습니다. 미립자 고체는 여과로 처리 될 수 있지만 다른 오염 물질에는보다 정교한 방법이 필요합니다. 기계 학습은 종종 치료 계획에 관한 의사 결정 과정을 지원합니다.

분류 모델은 물 샘플의 센서 데이터를 빠르게 분석하여 오염 물질을 감지하고이를 치료 관련 매개 변수를 포함하는 과거 데이터로 훈련 된 생물학적 또는 합성, 고체, 액체 등으로 분류 할 수 있습니다. 물 사용, 에너지 사용 및 측면에서 효율적인 조합.

재활용의 AI 응용 프로그램

기계 학습이 화학 제조의 폐기물 감소를 지원하는 또 다른 방법은 지능적인 재활용입니다. 잘 훈련 된 모델은 폐수의 재활용뿐만 아니라 컨테이너, 파이프 라인 등과 같은 제조 공정에 사용되는 제품 및 장비를 간소화 할 수 있습니다. 회사는 일반적으로 기계 학습 시스템을 컴퓨터 비전과 결합하여 자동화 된 자동화를 가능하게합니다. 폐기물의 유형을 인식하고 재활용에 대한 적합성을 평가하는 요소.

이 경우 캡처 장치의 이미지가 해석 한 이미지로 전송됩니다. 다양한 폐기물 유형의 이미지로 훈련 된 분류 모델은 입력 데이터를 평가하고 폐기물을 정의하기 위해 범주에 속합니다. 이를 바탕으로 시스템은 특정 조각을 배치 할 위치에 대한 자동화 된 결정을 내립니다. 추가 단계는 폐기물을 재활용 할 수 있는지 여부를 확인하고 필요한 처리 유형에 따라 분류하는 것입니다.

수요에 따라 생산 계획

화학 물질은 식품과 같은 유용한 수명과 관련하여 똑같이 엄격한 규범을받습니다. 이는 특히 수요의 변동을 강화하는 현재의 경제 환경에서 폐기물 생성을 연료로 공급할 수 있습니다.

과거에는 기업이 수요를 추정하기 위해 통계적 방법에 의존 할 것입니다. 이제는 기계 학습을 위해 정확한 추정을 얻을 수 있습니다. 딥 러닝 기술을 사용하여 제공된 역사적 데이터의 패턴을 식별 하고이 지식을 적용하여 미래 수요를 예측할 수 있습니다.

이러한 지원으로 제조업체는 계절성 요인에 의존하는 대신 가능한 수요를 반영하는 생산 계획을 만들 수 있습니다. 그로 인해 성분 순서에 대한보다 유연한 접근 방식이 나옵니다. 이는 만료 된 재료와 완제품을 사용하고 재활용하는 데 문제가있는 더 적은 자료와 완제품을 의미합니다.

스마트 제조 및 스마트 폐기물 관리에서 AI의 이점

스마트 AI 구동 시스템을 통해 화학 플랜트는 정확한 출력을 기반으로 더 나은 정보를 결정할 수 있습니다. 큰 단위에서는 진행중인 프로세스의 수를 추적하고 분석하기가 어려울 수 있으며, 이는 과도한 폐기물 생성을 선호합니다. 기계 학습 모델은 이러한 평범한 오류가 발생하기 쉬운 분석 작업을 수행하여 인간의 참여없이 폐기물 생성 및 폐기물 관리 측면에서 개선을위한 영역을 찾습니다.

예측 분석을 통해 화학 제조업체는 제조 및 주문에 대한 훨씬 유연한 접근 방식을 채택 할 수 있습니다. 만료 될 수있는 재료를 비축하는 대신, 주문을 관련 데이터로 추정 한 수요에 맞게 조정하고 재고 폐기물을 줄입니다. 그들의 생산은 시장 요구를 반영하며 AI 중심 품질 검사 및 예측 유지 보수로 인해 대부분의 제품이 품질 표준을 충족합니다. 그것은 낭비가 적고 수입이 더 많음을 의미합니다.

기계 학습 구동 분류 작업을 통해 화학 제조업체는 오염 물질을 더 빠르게 식별하고 폐수 처리를 간소화하며 재활용 프로세스를 할 수 있습니다.

화학 산업의 녹색 미래

보시다시피, 인공 지능은 다양한 방식으로 화학 식물의 폐기물 생성에 영향을 미칩니다.

기본적으로, 오늘날 새로 지어진 모든 화학 공장은 폐쇄 물이 원을 떠나지 않도록 폐쇄 루프 원리로 계획됩니다. 우리가 언급했듯이, 미국의 화학 폐수의 3%만이 환경에 방출되며, 곧 제로로 줄어들 것입니다.

가장 낙관적 인 시나리오에서 기계 학습은 제조 장치를 냉각 및 제조 목적으로 외부 수원에 의존하지 않는 완전히 원형의 부분적으로 지속 가능한 시스템으로 전환합니다. 수자원이 줄어들고 기후 예후가 그다지 낙관적이지 않다는 것을 고려할 때 화학 회사가 가장 가까운 미래에 이러한 전환을하는 것은 시급합니다. 인공 지능은 더 매끄럽고 접근하기 쉽게 만듭니다. 동시에, 우리는 ML 분류로 간소화 된 새롭고 물 효율적이며보다 효과적인 치료 계획을 제시하고 있습니다.

ML 기술을 비즈니스에 적용 할 아이디어가 있습니까? 아니면 화학 산업의 응용 분야에서 우리 편에서 더 많이 듣고 싶습니까? 우리가 말할 수 있도록 우리에게 연락하십시오!