Avfallshantering inom kemisk industri. Hur man redu

Den kemiska industrin är en av de mest förorenande industrin i världen. Varje år produceras miljoner ton farligt avfall av kemiska växter. Detta avfall inkluderar giftiga kemikalier, tungmetaller och andra skadliga ämnen som kan förorena luften, vatten och jord. Avfallshantering är en kritisk fråga för den kemiska industrin. Om det inte hanteras ordentligt kan avfall orsaka miljöföroreningar och hälsoproblem lokalt för människor som bor nära kemiska växter och globalt genom att påverka klimatet och ekosystemen.

Den goda nyheten är att AI-baserade lösningar kan bidra till att minska avfallet i den kemiska industrin. AI kan användas för att spåra och förutsäga frisättning av farliga kemikalier, optimera produktionsprocesser för att minska avfallet och ge beslutsstöd för avfallshantering. I den här artikeln kommer vi att undersöka hur konstgjord intelligens kan användas för att minska mängden avfall som produceras av kemiska tillverkare. Vi kommer att titta på hur AI kan hjälpa till att identifiera och förhindra avfallsproduktion, samt hjälpa till att hantera och återvinna avfallsprodukter.

Industriellt avfall - Den största faktorn i global avfallsproduktion

När miljömedvetandet ökar behandlas ämnet av avfall mer och mer på allvar. Under de senaste åren har vikten av den offentliga debatten förändrats från personligt till företagsansvar. Det är en rimlig trend med tanke på att industriavfall utgör huvuddelen av den globala avfallsgenerationen.

I en mer lokal skala är saker inte annorlunda. Baserat på Europeiska kommissionsdata (Eurostat) är det tydligt synligt att hushållens och tjänsternas bidrag till avfallsgenerering är mindre jämfört med industriell verksamhet. 2016 var den procentuella andelen av dessa sektorer under 14%. Byggandet var i första hand, men industriella aktiviteter var precis bakom (tillverkning (11,1%), gruvdrift och stenbrott (27,6%).

Med sin andel på 9,5 % bidrar avloppsvatten till problemet. Medan urban avloppsvatten har sin rättvisa andel i den totala avfallsgenerationen, är industriellt avloppsvatten den verkliga dealbreaker eftersom det ofta innehåller mycket mer problematiska ämnen i högre koncentrationer. Som ett resultat är behandlingen ganska kostsam och beroende av specifika krav.

Kemisk avfallshantering

Denna fråga manifesterar sig i kemisk tillverkning, som är föremål för dagens artikel. Medan kylvatten kan behandlas och föras tillbaka till konsumtionscirkeln, kanske det som används för kemisk tillverkning inte är lämplig för sådan behandling. Detsamma gäller för fasta ämnen. Det är därför den avgörande delen av hantering av kemiskt avfall minskar avfallet. Det är också en grundprincip för Lean Manufacturing, en metodik för produktionsprocesshantering som majoriteten av dagens kemiska anläggningar följer. Lean Management kommer från Toyota -produktionssystemet och lägger avfalls eliminering i sin kärna medan han använder en kontinuerlig förbättringsprincip.

Under de senaste decennierna har vetenskapliga ansträngningar och teknisk utveckling gjort det möjligt för kemiska företag att minska tillverkningsavfallet avsevärt. Det finns dock fortfarande mycket att göra. När den allmänna globala konsumtionen fortsätter att öka behöver vi mer radikala och effektiva sätt att förhindra överdriven produktion av industriellt avfall. Genom denna artikel kommer vi att undersöka hur maskininlärning kan bidra till den.

Kemiskt avfall kan delas upp i flytande, fast och gasformigt och kan inkludera rena kemikalier, ofta oanvända eller utgått, syror, lösningsmedel, begagnad olja, kväve, blekmedel, metaller etc. Alla tillverkningsutrustning och behållare förorenade med kemiska ämnen klassificeras också som kemiskt avfall. Läs mer om kemisk leveranskedja här.

Den kemiska industrin använder också enorma mängder vatten - för kylning men också för tillverkningsändamål (i processer som destillation, raffinering, produktökning, etc.). När detta vatten har använts innehåller detta ämnen som ofta är mycket giftiga och resistenta även mot några få grader av sofistikerad vattenbehandling, som bekämpningsmedel eller så kallade "eviga kemikalier" (PFA)-en klass av syntetiska ämnen som inte bryts ned.

Hittills fortsätter dessa mest ihållande kemikalier att produceras och appliceras i produkter. Maskininlärning har bidragit till deras upptäckt och klassificering under de senaste åren - vi lär oss fortfarande att känna dem även om de uppfanns på 40 -talet. Andra resistenta föroreningar, med den huvudsakliga skyldigheten som läkemedelsstillverkarna, inkluderar östrogen och antibiotika.

Kemiskt avfall kräver ett visst tillvägagångssätt för lagring (till exempel kan många ämnen inte lagras i standardbehållare tillverkade med plast eller glas). Återvinning är också mer komplex än fallet med kommunalt avfall på grund av säkerhetsåtgärder. Ändå blir den kemiska industrin bättre på att omvandla avfall - enligt EPA (US Miljöskyddsbyrå), 2020, släpptes endast 3% av den i miljön. Den återstående delen hanterades med behandling, energiåtervinning och återvinning.

Metoder för avfallsminskning - Maskininlärningsanvändningsfall

Medan generering av gemensam avfall inte kan förhindras eller kontrolleras vid källan, kan den industriella man. Med tanke på vilken inverkan de kemiska ämnena kan ha på miljön och hur resistenta de kan vara, verkar den reduktionsinriktade produktionsplaneringen vara den bästa vägen mot branschens grönare framtid. Avfallets efterbehandling är naturligtvis viktigt, men förebyggande åtgärder gör det möjligt för företagen att undvika att pumpa pengar i kostsamma processer och fokusera på optimering istället.

Följande användningsfall visar rollmaskininlärningen kan spela för att minska kemiskt avfall. Vi närmar oss ämnet från olika vinklar för att visa dig hela spektrumet för dess kapacitet.

Öka utbyten och minska överdrivet avfall med förutsägbar analys

Ökad effektivitet bedrivs ofta när det gäller besparingar, men när det gäller kemiska tillverkare (eller andra tillverkare, faktiskt) kan det också minska miljöpåverkan. Avfallsminskning lönar sig helt enkelt för de kemiska anläggningarna. Ju mindre de förlorar i processen, desto mer producerar de och - troligt - säljer. Konstgjord intelligens kan hjälpa dem att identifiera de mest effektiva sätten att använda särskilda produkter samtidigt som det är minst avfall som möjligt.

AI-baserad kvalitetskontroll och förutsäga kvalitetsförsämring

Felaktiga partier utgör en stor del av avfall som produceras av kemiska växter. Grundlig kvalitetssäkring kan således vara ett bra sätt att minska mängderna av defektavfall. Med konstgjord intelligens kan tillverkarna identifiera problemen på monteringslinjen innan hela satsen blir defekt. Intelligenta system kan till exempel upptäcka korskontaminering direkt med realtidsdata som tillhandahålls av sensorer. AI -modeller har också förmågan att förhindra att den sker genom att ständigt utvärdera processerna och upptäcka någon avvikelse från normen.

Defektdetektering kan vara datorvision. I motsats till vanlig övertygelse är visuell inspektion också tillämplig på kemiska ämnen. Genom att analysera olika variabler - färg, stratifiering, densitet, fysiska tillstånd etc. kan maskininlärningen upptäcka defekter i kemiska produkter och förhindra överdriven avfallsgenerering.

Upprätta ett förebyggande underhållsschema

Bortsett från den ekonomiska förlusten kan varje driftstopp i en kemisk anläggning leda till överdriven avfallsproduktion. Det beror på att vissa ämnen inte kan utsättas för samma behandling eller process två gånger. De kan också förlora sina egenskaper under stilleståndsperioden. Det är därför det är avgörande för företag att hålla monteringslinjen igång. Och det finns inget bättre sätt att förhindra fel i utrustning än maskininlärningsdrivet underhåll.

AI kan optimera företagets förebyggande underhållsschema för att upptäcka möjliga fel innan de faktiskt inträffar. Det kan närmar sig på olika sätt, beroende på olika datakällor eller utrustningen som företaget använder. Strategivalet avgör vilken modell som kommer att tillämpas i processen. Till exempel tjänar regressionsmodellerna bra för att förutsäga den återstående användbara livslängden (ROLE) för en viss tillgång.

Effektiviteten i förutsägelser beror uppenbarligen på volymen av data och dess kvalitet. För hög noggrannhet bör modellen matas med både historiska, realtid och statiska data från olika källor, inklusive sensorer, ERP: er och andra system som ger sammanhanget.

Minska vattenavfall

Kemiska växter använder vatten i stor utsträckning för att stödja olika pågående processer. Dess stora del går för kylningsändamål. Eftersom de kemiska reaktionerna som är en del av tillverkningsprocesserna kan kräva att man använder värme eller avger den, är kylsystemet viktigt för att växten ska fungera effektivt och säkert. Medan i andra branscher är åtgärderna för kvaliteten på kylvatten inte så strikta, de kemiska tillverkarna måste säkerställa att dess renhet är den högsta. Varje förorening kan kompromissa med säkerheten och påverka produktens sammansättning.

Således fokuserar deras reduktion av vattenavfall vanligtvis på att maximera kyltornets effektivitet. Maskininlärning gör att de kan hålla kylningsprocesserna igång med mindre vatten. Med tanke på uppgifterna kan modellen hitta läckage och uppskatta mängden vatten som förlorats i en viss del av processen. Baserat på den informationen kan anläggningschefen eller annan person som är ansvarig för effektiviteten i tillverkningsprocesserna bestämma vilka åtgärder som kan minska vattenavfallet.

Eliminera avfall med sluten slinga i tillverkningssystemet

Återvinning av avloppsvatten är en annan avgörande del av strategin för avfallsminskning. Det blir mer och mer vanligt att förvandla delarna av de kemiska växterna till stängda kretsenheter där vattnet kontinuerligt återanvänds för olika ändamål.

Tillverkare kan använda olika typer av behandling för att rena avloppsvattnet, beroende på de föroreningar det kan innehålla. Medan partikelformiga fasta ämnen kan hanteras med filtrering, kräver andra föroreningar mer detaljerade metoder. Maskininlärning stöder ofta beslutsprocesserna för behandlingsplanering.

Klassificeringsmodellen kan snabbt analysera sensordata för vattenprovet för att upptäcka föroreningarna och kategorisera dem som biologiska eller syntetiska, fast, vätska, etc. Tränade med de historiska data som innehåller behandlingsrelaterade parametrar, den kan rekommendera mest Effektiv kombination när det gäller vattenanvändning, energianvändning etc.

AI -applikationer i återvinning

Ett annat sätt för maskininlärning för att stödja avfallsminskningen i kemisk tillverkning är intelligent återvinning. En välutbildad modell kan effektivisera återvinningen av avloppsvattnet men också de produkter och utrustning som används i tillverkningsprocessen, såsom containrar, rörledningar, etc. Företagen kombinerar vanligtvis maskininlärningssystem med datorsyn för sorteringsändamål, vilket möjliggör automatiserade automatiserade element för att känna igen typen av avfall och utvärdera dess lämplighet för återvinning.

I ett sådant fall skickas bilden från fångningsanordningen till den tolkningen. Klassificeringsmodellen utbildad med bilderna av olika avfallstyper utvärderar inmatningsdata och attribut en kategori till den för att definiera avfall. På grundval av detta fattar systemet ett automatiserat beslut om var man ska placera en viss bit. Ett ytterligare steg är att verifiera om avfallet kan återvinnas och kategorisera det baserat på vilken typ av behandling det kräver.

Planeringsproduktion baserad på efterfrågan

Kemikalier utsätts för lika strikta normer när det gäller deras livslängd som livsmedelsprodukter. Det kan driva avfallsgenerering, särskilt i det nuvarande ekonomiska landskapet som stärker fluktuationer i efterfrågan.

Medan företagen tidigare skulle förlita sig på statistiska metoder för att uppskatta efterfrågan, kan de nu nå ut till maskininlärning för att få exakta uppskattningar. Med hjälp av djupa inlärningstekniker kan de identifiera mönster i de medföljande historiska uppgifterna och tillämpa denna kunskap för att förutsäga framtida efterfrågan.

Med sådant stöd kan tillverkare skapa produktionsplaner som återspeglar den troliga efterfrågan istället för att förlita sig bara på säsongsfaktorer. Med det kommer ett mer flexibelt tillvägagångssätt för att beställa ingredienser. Och det betyder färre utgångna material och färdiga produkter som är problematiska att använda och återvinna.

Fördelarna med AI inom smart tillverkning och smart avfallshantering

Med smarta AI-drivna system kan kemiska anläggningar fatta bättre informerade beslut baserade på exakta utgångar. I stora enheter kan antalet pågående processer vara svårt att hålla reda på och analysera, vilket gynnar överdriven avfall. Maskininlärningsmodellerna utför dessa vardagliga, felbenägna analytiska uppgifter, hitta områden för förbättringar när det gäller avfallsgenerering och avfallshantering utan något mänskligt engagemang.

Med prediktiv analys kan kemiska tillverkare anta en mycket mer flexibel strategi för tillverkning och beställning. Istället för att lagra material som kan löpa ut, justerar de sina beställningar till efterfrågan uppskattade med relevant data och minskar lageravfallet. Deras produktion återspeglar marknadsbehovet, och de flesta av deras produkter uppfyller kvalitetsstandarder tack vare AI-driven kvalitetskontroll och förutsägbart underhåll. Det betyder mindre avfall och mer inkomst.

Med maskininlärningsdrivna klassificeringsuppgifter kan de kemiska tillverkarna identifiera föroreningarna snabbare, effektivisera deras avloppsrening och återvinningsprocesser.

Den kemiska industrins gröna framtid

Som ni ser påverkar artificiell intelligens avfallsgenerering i kemiska växter på olika sätt.

I grund och botten planeras varje nybyggd kemisk växt idag med principen med sluten slinga så att inget avloppsvatten lämnar cirkeln. Som vi nämnde släpps endast 3% av kemiskt avloppsvatten i USA till miljön, och förhoppningsvis kommer det snart att minska till noll.

I det mest optimistiska scenariot kommer maskininlärning att förvandla tillverkningsenheterna till helt cirkulära, delvis hållbara system som inte beror på externa vattenkällor för kylning och tillverkningsändamål. Med tanke på att vattenresurserna krymper och klimatprognoserna inte är särskilt optimistiska är det brådskande för de kemiska företagen att göra denna övergång i närmaste framtid. Konstgjord intelligens gör det jämnare och mer tillgängligt. Samtidigt kommer vi med nya, vatteneffektiva och effektivare behandlingsplaner strömlinjeformade med ML-klassificering.

Har du en idé att tillämpa ML -teknik på ditt företag? Eller kanske du vill höra mer om dess tillämpningar inom kemisk industri från vår sida? Nå ut till oss så att vi kan prata!