تلاش محققان دانشگاه تهران برای کاهش هوشمند اتلاف انرژی در صنعت معدن

به گزارش ایرنا، جواد نقوی؛ دانشجوی دکتری در گرایش فرآوری مواد معدنی دانشگاه تهران در قالب رساله دکتری خود با هدایت علمی و راهبردی مهدی قراباغی؛ استاد تمام دانشگاه تهران توانستند به مسیری دست یابند که تصمیم‌گیری درباره کارآیی مدارهای فرآوری و فرآیند آسیاب‌ها را از تجربه و حدس، به داده و پیش‌بینی دقیق منتقل کند. در ایده نهایی، تمامی فرآیندهای فرآوری مواد معدنی توسط سیستم هوشمند مدیریت می‌شود.

خُردایش و آسیاب‌کنی، قلب تپنده‌ کارخانه‌های فرآوری موادمعدنی

در صنعت معدن، ارزش یک ماده معدنی تنها به استخراج آن از دل زمین محدود نمی‌شود. بخش اصلی مسیر تولید، در کارخانه‌های فرآوری و طی مجموعه‌ای از عملیات پیچیده شکل می‌گیرد که در میان آن‌ها، خردایش و آسیاب‌کنی جایگاهی ویژه دارد. در این مرحله، مواد معدنی برای رسیدن به ابعاد مناسب و فراهم‌شدن شرایط لازم برای جدایش، تحت خردایش قرار می‌گیرند. این فرآیند، اگرچه برای دستیابی به محصولی با مشخصات موردنظر ضروری است، به انرژی قابل‌توجهی نیاز دارد و عملکرد آن می‌تواند بر ظرفیت تولید، کیفیت محصول و هزینه‌های بهره‌برداری کارخانه تأثیر مستقیم بگذارد. در واقع، می‌توان گفت آسیاب‌ها قلب تپنده کارخانه‌های فرآوری هستند؛ قلب‌هایی که هر تپش آنها هزینه‌ای برای صنعت دارد.

با وجود اهمیت این مرحله، تعیین شرایط مناسب بهره‌برداری از مدارهای آسیاب‌کنی همواره ساده نیست. رفتار این مدارها حاصل عملکرد هم‌زمان چندین تجهیز و اثرگذاری متقابل متغیرهای مختلف است. از ویژگی‌های خوراک ورودی و اندازه ذرات گرفته تا توان مصرفی تجهیزات، شرایط گردش مواد و عملکرد سامانه‌های طبقه‌بندی. تغییر در هر یک از این عوامل می‌تواند بر نتیجه نهایی اثر بگذارد. از این‌رو، انتخاب یک تنظیم عملیاتی مناسب، تنها با بررسی جداگانه یک متغیر یا تکیه بر یک رابطه ساده امکان‌پذیر نیست؛ بلکه به شناختی جامع‌تر از رفتار فرآیند و ارتباط میان داده‌های عملیاتی نیاز دارد.

وقتی هوش مصنوعی به کمک صنعت می‌آید

در چنین شرایطی، هوش مصنوعی و یادگیری ماشین می‌توانند رویکردی تازه برای تحلیل رفتار پیچیده مدارهای فرآوری و آسیاب‌کنی فراهم کنند. این فناوری‌ها با بهره‌گیری از داده‌های واقعی فرآیند، امکان شناسایی الگوهای پنهان، بررسی ارتباط میان متغیرهای عملیاتی و توسعه مدل‌هایی برای پیش‌بینی عملکرد تجهیزات را فراهم می‌کنند. اهمیت این رویکرد تنها در پیش‌بینی یک عدد یا نمایش وضعیت موجود نیست. بلکه در فراهم‌کردن زمینه‌ای علمی برای پاسخ‌دادن به یک پرسش اساسی است: چگونه می‌توان از ظرفیت تجهیزات موجود بهتر استفاده کرد، مصرف انرژی را کاهش داد و در همان حال، کیفیت محصول را در محدوده مطلوب حفظ کرد؟ این همان نقطه‌ای است که پژوهش دانشگاهی می‌تواند به کمک صنعت بشتابد و فاصله میان دانش نظری و عمل صنعتی را پر کند.

پژوهشی که فاصله دانشگاه و صنعت را کم می‌کند

در همین راستا، پژوهشی در دانشگاه تهران با تمرکز بر توسعه راهکارهای داده‌محور و داده‌های آنلاین برای بهینه‌سازی فرآیند تولید در کارخانه‌های فرآوری در حال انجام است. فاز اول این پژوهش که شامل هوشمندسازی عملکرد آسیاب‌ها و مدارهای آسیاب‌کنی بود، با نتایج مطلوب به اتمام رسیده است. این پژوهش با هدایت علمی و راهبردی مهدی قراباغی، استاد تمام دانشگاه تهران، شکل گرفته و توسعه آن از رساله دکتری جواد تقوی در گرایش فرآوری مواد معدنی آغاز شد. درچارچوب این فعالیت پژوهشی، ابوالفضل محمدخدایی مدیر اجرایی و هماهنگ‌کننده فنی فرآوری مواد معدنی، پوریا ضیایی مدیر فنی مطالعات فرآوری موادمعدنی و شهریار محمدی به همراه سایر اعضای تیم در بخش توسعه نرم‌افزاری، هوش‌مصنوعی و یادگیری ماشین مشارکت دارند. همکاری اعضای تیم بر پیوند دانش مهندسی معدن با تحلیل داده‌های صنعتی و توسعه روش‌های هوشمند متمرکز است؛ پیوندی که می‌تواند فاصله میان پژوهش دانشگاهی و نیازهای واقعی صنعت را کاهش دهد.

رویکرد اصلی این پژوهش، استفاده از اطلاعات عملیاتی برای توسعه مدل‌هایی است که بتوانند دو جنبه مهم از عملکرد مدار آسیاب‌کنی، یعنی اندازه ذرات محصول و توان مصرفی آسیاب‌ها، را پیش‌بینی کنند. شناخت دقیق‌تر این دو مؤلفه، زمینه لازم برای بررسی شرایط بهره‌برداری را فراهم می‌کند؛ زیرا بهینه‌سازی در این حوزه تنها به معنای کاهش مصرف برق نیست. کاهش مصرف انرژی زمانی ارزش عملیاتی دارد که کیفیت محصول نیز در محدوده مورد نیاز باقی بماند و فرصت افزایش تُناژ، بدون ایجاد اختلال در عملکرد مدار، مورد ارزیابی قرار گیرد. در صورتی که بتوان از این سیستم در کلیه کارخانه‌های کشور استفاده کرد، میزان مصرف برق کشور در حدود ۱ درصد کاهش خواهد یافت که یک صرفه‌جویی عظیم خواهد بود.

نکته کلیدی آن است که هدف این پژوهش، جایگزین‌کردن یک تنظیم ثابت با تنظیمی دیگر نیست؛ بلکه تلاش می‌کند از داده‌های پراکنده و پیچیده فرآیند، شناختی منسجم‌تر و قابل استفاده برای تصمیم‌گیری عملیاتی ایجاد کند. در این نگاه، داده‌های ثبت‌شده در کارخانه صرفاً سوابقی از عملکرد گذشته نیستند. آن‌ها می‌توانند به منبعی برای یادگیری رفتار فرآیند، شناسایی عوامل اثرگذار و ارزیابی گزینه‌های مختلف بهره‌برداری تبدیل شوند.

از پیش‌بینی هوشمند تا کاهش هزینه تولید

در قلب این پژوهش، تبدیل داده‌های عملیاتی آسیاب‌ها به ابزاری برای تصمیم‌گیری دقیق‌تر و بهره‌برداری اقتصادی‌تر قرار دارد. در مدارهای آسیاب‌کنی، افزایش تُناژ به‌تنهایی نشانه عملکرد مطلوب نیست؛ همان‌طور که کاهش توان مصرفی بدون توجه به کیفیت محصول نیز نمی‌تواند معیار مناسبی برای بهینه‌سازی باشد. هدف، یافتن شرایطی است که در آن مصرف برق کاهش یابد، اندازه محصول در محدوده مطلوب حفظ شود و از ظرفیت تولید تجهیزات بیشترین بهره گرفته شود.

برای دستیابی به این هدف، مدل‌های یادگیری ماشین با استفاده از داده‌های واقعی فرآیند توسعه و ارزیابی شده‌اند تا ارتباط میان شرایط عملیاتی، توان مصرفی و اندازه ذرات محصول را پیش‌بینی کنند. یکی از نتایج مهم این مرحله، دستیابی به خطای پیش‌بینی در حدود ۵ میکرون یا کمتر برای اندازه محصول در ارزیابی‌های انجام‌شده است. دستاوردی فنی که امکان شناخت دقیق‌تر رفتار مدار و بررسی شرایط مناسب بهره‌برداری را فراهم می‌کند. این عدد، در مقیاس صنعتی، تفاوت میان یک تصمیم درست و یک تصمیم پرهزینه است؛ چرا که دقت در پیش‌بینی ابعاد محصول، به معنای جلوگیری از خُردایش اضافی و هدررفت انرژی است.

اهمیت این قابلیت زمانی روشن‌تر می‌شود که بدانیم خُردایش بیش از نیاز، می‌تواند انرژی بیشتری مصرف کند، بی‌آنکه الزاماً ارزش افزوده متناسبی ایجاد شود. ازاین‌رو، پیش‌بینی هم‌زمان اندازه محصول و توان مصرفی، زمینه را برای شناسایی شرایطی فراهم می‌کند که در آن بتوان میان کیفیت محصول، مصرف انرژی و تُناژ تولید تعادل برقرار کرد.

اعداد، از ادعا تا واقعیت

اهمیت اقتصادی این رویکرد در مقیاس صنعتی قابل‌توجه است. برای مثال، کاهش متوسط یک مگاوات از توان مصرفی طی یک سال کامل کارکرد، معادل صرفه‌جویی بالقوه ۷۵۰۰ مگاوات‌ساعت برق در سال است. این عدد یک محاسبه نمونه برای نشان‌دادن اثر تجمعی کاهش توان است، نه میزان صرفه‌جویی محقق‌شده در این پروژه. با این‌ حال، نشان می‌دهد که حتی بهبودهای محدود در عملکرد تجهیزات پرمصرف، در صورت تداوم، می‌توانند به کاهش هزینه‌های تولید منجر شوند و رقابت‌پذیری صنعت را به‌طور محسوسی ارتقا دهند.

چشم‌انداز این پژوهش، بهینه‌سازی کلی مدارهای فرآوری بوده و علاوه بر کاهش میزان مصرف برق کشور، تولید محصول با کیفیت، افزایش بهره‌وری، افزایش بازیابی و در نهایت سودآوری کارخانه است. عملکرد فاز اول این سیستم هوشمند فراتر از پیش‌بینی بوده و به‌صورت سامانه‌ای است که می‌تواند شرایط عملیاتی را تحلیل کند و برای کاهش مصرف انرژی، حفظ کیفیت محصول و بهره‌گیری بهتر از ظرفیت تجهیزات، پیشنهادهای مبتنی بر وضعیت واقعی مدار ارائه دهد.

دستاوردهای فعلی، گامی فنی در مسیر تبدیل هوش مصنوعی به ابزاری کاربردی برای کاهش هزینه برق و افزایش بهره‌وری در صنعت فرآوری مواد معدنی به شمار می‌روند؛ گامی که می‌تواند الگویی برای سایر صنایع معدنی کشور باشد و نشان دهد چگونه می‌توان با تکیه بر دانش بومی و فناوری‌های نوین، چالش‌های انرژی را به فرصت‌های اقتصادی تبدیل کرد.