Intelligence artificielle : une nouvelle réalité pour les ingénieurs chimistes

1 février 2019 | Par Mary Page Bailey

Du développement de processus et de matériaux à la maintenance et à la logistique, l'intelligence artificielle (IA) est en train de devenir une force de transformation dans les industries de procédés chimiques

Comme dans de nombreux autres secteurs, les technologies d'intelligence artificielle (IA) commencent à émerger dans les industries de procédés chimiques (IPC). Alors que les solutions assistées par l'IA et d'autres technologies associées, telles que l'automatisation des processus robotiques (RPA), l'Internet des objets (IoT), les drones automatisés et l'informatique quantique, sont encore relativement nouvelles pour de nombreuses applications CPI, les développeurs et les utilisateurs réalisent leur potentiel. avantages pour accélérer la recherche et le développement (R&D), la maintenance prédictive, l'optimisation des processus et plus encore.

Dans le cadre de son initiative Smart Operations, Henkel AG & Co. KGaA (Düsseldorf, Allemagne ; www.henkel.com) utilise les capacités de l'IA dans ses opérations de processus et sa chaîne d'approvisionnement mondiales. « Nous utilisons l'IA pour exécuter des analyses efficaces de tableaux de données complexes afin d'obtenir des performances de production plus élevées, une innovation produit rapide et une mise à l'échelle pour nos systèmes de production auto-ajustables », explique Sandeep Sreekumar, responsable mondial des opérations numériques adhésives chez Henkel. "Notre objectif n'est pas seulement de collecter des données de fabrication internes, mais également de travailler activement avec les clients sur les opportunités de collecte de données pendant l'utilisation du produit afin d'apporter des améliorations et de s'adapter à l'évolution des besoins des clients", déclare Sreekumar. Henkel applique actuellement des technologies d'intelligence artificielle construites en externe, mais l'entreprise envisage de créer un écosystème où coexistent des solutions internes et tierces et d'établir une chaîne d'approvisionnement et un réseau d'opérations mondiaux entièrement transparents, à la fois automatisés et auto-ajustables à la variabilité, explique Tim Gudszend, responsable mondial des technologies adhésives et des investissements chez Henkel. Les technologies "d'usine intelligente" de la société sont conçues pour améliorer la compréhension de la disponibilité des matières premières et de l'état actuel de la production afin de mieux conseiller le personnel d'exploitation sur la manière d'ajuster le processus de production pour améliorer les performances. "En analysant ces données, nous avons mis en œuvre des améliorations significatives du rendement des matières premières et une qualité de performance accrue au sein de ces usines", ajoute Gudszend.

Alors que Henkel a connu le succès dans ses projets d'IA, toute mise en œuvre de nouvelles technologies n'est pas sans défis. "L'un des plus gros problèmes est de générer toutes les données pertinentes pour un processus et son environnement d'influence, et de rendre ces informations disponibles pour une solution de 'big data' afin qu'elles puissent être pleinement utilisées", explique Gudszend, ajoutant que Henkel déploie des plateformes d'analyse de données améliorées pour mieux intégrer les données dans ses réseaux mondiaux de chaîne d'approvisionnement et d'exploitation. Même avec les défis, Sreekumar souligne que Henkel a réalisé de nombreux avantages en matière d'IA, allant de l'accélération de la mise sur le marché de nouvelles formulations de produits et de la mise à l'échelle à la détection et à la résolution rapides des problèmes de qualité des produits. « Les technologies d'intelligence artificielle sont perturbatrices et continueront d'aider à stimuler les lancements de nouveaux produits et à améliorer les taux de production de mois et d'années à des semaines ou des jours. Les technologies encourageront le développement de nouveaux modèles commerciaux, amélioreront les conditions d'exploitation et généreront des produits de meilleure qualité », il continue.

Au Japon, un nouveau projet de recherche a appliqué l'IA pour accélérer considérablement la conception de polymères et accélérer le développement de matériaux fonctionnels avancés. Les travaux réalisés par Showa Denko KK (SDK ; Tokyo ; www.sdk.co.jp), l'Institut national des sciences et technologies industrielles avancées (AIST ; Tsukuba City ; www.aist.go.jp) et la Research Association of High -Throughput Design and Development for Advanced Functional Materials (ADMAT ; Tsukuba City ; www.admat.or.jp) a indiqué que la conception de polymères assistée par l'IA est environ quarante fois plus rapide que les approches conventionnelles. En commençant par un très grand nombre de polymères candidats, la technologie AI peut prédire les propriétés des polymères en moins d'une seconde par polymère, selon SDK. Les essais actuels se sont concentrés sur la détermination de la température de transition vitreuse des polymères à partir d'un champ de 417 types différents de données structurelles de polymères, mais la technologie pourrait facilement être appliquée à n'importe quel nombre de propriétés souhaitées. Dans ce cas, le polymère avec la température de transition vitreuse la plus élevée a été déterminé en seulement 4,6 essais (Figure 1).

FIGURE 1. Grâce à la conception de polymères assistée par IA, le nombre d'essais nécessaires pour cibler une propriété de matériau particulière est considérablement réduit

Ce n'est pas la première application de l'IA dans le domaine de la conception de polymères, mais elle se distingue par son utilisation de l'optimisation bayésienne, qui accélère encore le processus. "Habituellement, l'IA n'est pas aussi efficace pour la conception de polymères car elle a tendance à recommander des polymères similaires qui ont été précédemment examinés. En revanche, l'optimisation bayésienne nous permet d'étudier une plus grande variété de polymères possédant une propriété souhaitée en tenant compte du compromis entre les performances attendues élevées et une incertitude élevée », explique SDK. Une incertitude élevée indique que le polymère n'a pas été examiné dans le passé, et une performance élevée indique la pertinence du polymère pour répondre à un ensemble d'exigences de propriétés. SDK estime que la prédiction à grande vitesse permise par l'IA fournira un avantage concurrentiel dans le développement de nouveaux produits en évaluant une quantité massive de matériaux candidats en peu de temps sans avoir besoin d'expérimentation manuelle.

AxiPolymer Inc. (Montréal, Québec, Canada; www.axipolymer.com) a développé des solutions d'IA spécialisées adaptées aux besoins des transformateurs de polymères. "La production de polymères, ainsi que le traitement des polymères, ont des paramètres sophistiqués interdépendants qui déterminent les propriétés finales du polymère, et ces paramètres produisent une énorme quantité de données. L'IA nous offre la possibilité de trouver le modèle caché entre ces paramètres pour adapter les propriétés des produits finaux. ", déclare AxiPolymer. L'expérience de l'entreprise avec l'IA a d'abord commencé par le développement d'outils d'aide à la décision conçus pour être mis en œuvre dans les processus de la chaîne d'approvisionnement des polymères. Ensuite, sur la base d'une analyse supplémentaire, l'équipe a commencé à enquêter sur les pannes d'équipement et les besoins de maintenance prédictive de l'industrie à l'aide de la technologie d'IA.

Étant donné que l'IA et l'apprentissage automatique sont des concepts encore relativement nouveaux dans l'industrie des polymères, AxiPolymer observe que de nombreuses entreprises ne sont pas conscientes de la profondeur à laquelle ces outils peuvent apporter une compétitivité commerciale. "Le principal intrant des algorithmes d'IA sont les données historiques. Dans l'industrie des polymères, la quantité et la variété des données non traitées sont incroyablement élevées. Ce n'est clairement qu'une question de temps avant que ces outils ne deviennent plus couramment utilisés pour tirer pleinement parti de ces données, " explique AxiPolymer. L'équipe R&D d'AxiPolymer travaille actuellement sur un nouveau module de prise de décision en temps réel pour fournir des techniques d'optimisation basées sur l'IA aux producteurs et transformateurs de polymères. Compte tenu de nombreux facteurs de contrôle, tels que la pression, la température et la vitesse d'alimentation du réacteur, ainsi que l'impact des variations de ces paramètres sur d'autres propriétés, le module permettra aux utilisateurs de prédire et d'adapter les propriétés du produit final sans techniques de développement conventionnelles par essais et erreurs. De plus, selon AxiPolymer, le module peut fournir des conseils sur les changements nécessaires dans l'état actuel du système en fonction de contraintes pratiques pour maintenir les propriétés cibles du produit final (Figure 2).

FIGURE 2. Les nouveaux modules d'IA peuvent prendre en compte les changements de processus nécessaires à l'état actuel d'un système pour cibler une propriété spécifique du polymère

Dans un autre projet portant sur l'IA pour le développement de matériaux, une équipe de chercheurs de l'Université d'Osaka (www.osaka-u.ac.jp) a appliqué l'IA pour automatiser la sélection de matériaux pour les cellules solaires photovoltaïques organiques (OPV), qui consistent en un composant organique et un polymère semi-conducteur. Le travail visait à maximiser l'efficacité de conversion de puissance (PCE) des cellules OPV en déterminant la combinaison optimale de matériaux organiques et polymères, un processus qui nécessite généralement beaucoup de temps d'expérimentation par essais et erreurs. À l'aide de l'IA et de l'apprentissage automatique, l'équipe a pu évaluer les données de 1 200 cellules OPV différentes pour cibler l'ensemble optimal de propriétés - dans ce cas, la bande interdite, le poids moléculaire et la structure chimique - pour déterminer rapidement celles qui seraient les plus efficaces, et puis criblez les polymères pour leur PCE prédit. L'équipe a ensuite évalué lequel de ces matériaux résultants pourrait le plus facilement être fabriqué. Ce travail particulier a utilisé l'apprentissage automatique "forêt aléatoire", qui crée un réseau d'arbres de décision pour la classification et la régression des données.

La promesse des technologies d'IA dans le CPI s'étend au-delà du laboratoire - l'IA est positionnée pour transformer les opérations grâce à une meilleure planification de la maintenance et à l'optimisation des processus.

En collaboration avec SDK, Hitachi Ltd. (Tokyo ; www.hitachi.com) a développé et commercialisé une plate-forme de maintenance prédictive assistée par l'IA, qui sera désormais proposée aux clients fabricants d'Hitachi dans le monde entier. L'usine d'éthylène Oita Complex de SDK a servi d'installation d'essai pour démontrer la faisabilité commerciale du nouveau service d'IA, qui utilise la théorie de la résonance adaptative (ART) pour analyser et classer les données opérationnelles de l'usine en temps réel et identifier les anomalies qui pourraient entraîner une défaillance de l'équipement. Lors d'essais à l'usine d'Oita, la technologie a prédit avec succès l'apparition de cokéfaction. Selon Hitachi, cette méthode est capable de détecter des modèles et des anomalies qui ne seraient pas détectés par les modèles de maintenance prédictive conventionnels. Désormais, SDK prévoit de déployer la technologie dans d'autres usines, tout en affinant davantage le modèle d'IA pour déterminer différents mécanismes de cokéfaction.

En décembre 2018, Compañía Española de Petróleos SAU (Cepsa ; Madrid, Espagne ; www.cepsa.com) a achevé un projet de mise en œuvre de technologies d'IA pour améliorer les opérations de son unité de production de phénol à l'usine chimique de Palos à Huelva, en Espagne (Figure 3) . Selon la société, ces nouvelles mesures activées par l'IA ont augmenté la production de phénol de 2,5 %, ce qui a entraîné une capacité annuelle supplémentaire de 5 500 tonnes métriques. Pour y parvenir, deux routines d'optimisation en temps réel ont été développées qui utilisent l'apprentissage automatique et des modèles prédictifs pour fournir des recommandations d'amélioration opérationnelle au personnel de l'usine à des intervalles de 15 minutes. La construction de ces optimiseurs a nécessité l'analyse de plus de 3 000 variables de processus, allant des données de laboratoire aux conditions climatiques locales.

FIGURE 3. L'utilisation de l'IA dans cette usine de phénol a effectivement augmenté la capacité de production de plus de 5 000 tonnes métriques par anCepsa

En juin 2018, Repsol (Madrid, Espagne ; www.repsol.com) a lancé une collaboration avec Google Cloud pour appliquer l'IA et l'analyse avancée des données afin d'optimiser la consommation d'énergie et d'autres ressources dans la raffinerie de pétrole de 186 000 bbl/j de Repsol à Tarragone, en Espagne. . Selon Repsol, le projet vise à gérer intelligemment plus de 300 variables à l'aide de divers modèles d'IA et d'apprentissage automatique, ce qui représente une multiplication par plus de dix du nombre de variables généralement gérées par les systèmes industriels intégrés numériquement.

Les capteurs « intelligents », l'IA et la robotique sont de plus en plus utilisés pour améliorer la sécurité et l'efficacité des ressources. L'opérateur de réservoirs et de terminaux de stockage Royal Vopak (Rotterdam, Pays-Bas ; www.vopak.com) teste plusieurs technologies de pointe dans ses installations de Singapour, notamment des drones, des robots et des systèmes logistiques et de planification « intelligents » (Figure 4). "L'utilisation de robots pour les inspections de réservoirs évite d'envoyer du personnel dans des espaces confinés et minimise l'exposition du personnel à des conditions potentiellement dangereuses", déclare Edwin Ebrahimi, responsable de l'engagement en matière d'innovation pour Vopak Terminals Singapore. De plus, étant donné que les réservoirs n'ont pas besoin d'être nettoyés et ventilés pour les inspections robotisées en service, la génération d'émissions et d'eaux usées est évitée. Lors de ces contrôles en service, le réservoir reste à la disposition des clients. Outre la robotique d'inspection, l'équipe évalue également la surveillance de l'état et l'intégration de la chaîne d'approvisionnement numérisée dans le cadre de sa campagne d'innovation à Singapour (Figure 5). "Les terminaux de Singapour fonctionnent comme un banc d'essai pour les nouvelles technologies, et après des essais réussis ici, nous visons à les déployer sur l'ensemble de notre réseau dans le monde entier", explique Ebrahimi. Au-delà de l'analyse et de l'automatisation des processus techniques, l'entreprise réussit également à numériser les activités administratives et logistiques. "L'utilisation de la RPA et de l'IA nous aidera à réduire la charge de travail administratif de nos services logistiques et opérationnels, afin qu'ils puissent se concentrer sur des tâches à valeur ajoutée pour nos clients, créant ainsi une meilleure visibilité sur leur chaîne d'approvisionnement. Enfin, l'amélioration de la productivité des terminaux conduira à réduire les coûts d'exploitation », déclare Ebrahimi.

FIGURE 4. Un robot d'inspection automatisé est préparé pour être déployé dans un réservoir de stockage en service Vopak

FIGURE 5. Des drones, des robots et des plateformes de détection et d'analyse avancées s'associent pour améliorer la sécurité et la gestion de la chaîne d'approvisionnement des terminaux de stockage Vopak

L'IA promet également de rationaliser les opérations de traitement de l'eau. Deux projets distincts de l'Université de Waterloo (Ont., Canada ; www.uwaterloo.ca) utilisent l'IA pour relever les principaux défis du traitement de l'eau : les fuites et les cyanobactéries. En collaboration avec des partenaires de l'industrie, des chercheurs de l'université ont développé une plate-forme sophistiquée de traitement des signaux d'IA qui utilise des capteurs d'hydrophone pour enregistrer des signaux acoustiques afin de détecter même de très petites fuites dans les conduites d'eau. Lors d'essais en laboratoire, les capteurs ont détecté avec succès des fuites aussi petites que 17 L/min, et les chercheurs mènent actuellement des essais sur le terrain de la technologie. La capacité à détecter rapidement et avec précision les signes de fuite permet une réponse plus proactive.

La présence de cyanobactéries crée une variété de problèmes graves pour les usines de traitement de l'eau, et la surveillance est cruciale pour atténuer ces problèmes. Un logiciel d'IA développé à l'Université de Waterloo peut identifier et quantifier différentes variétés de cyanobactéries et fournir une analyse automatique d'échantillons d'eau en environ 1 à 2 heures, ce qui est considérablement plus rapide que les techniques d'analyse manuelle traditionnelles qui peuvent nécessiter 1 à 2 jours. Le chiffre d'affaires rapide de l'analyse peut fournir aux opérateurs une alerte précoce des problèmes potentiels. L'objectif de l'équipe est de faire évoluer le logiciel d'IA vers une solution de surveillance continue microscopique pour gérer des micro-organismes supplémentaires et d'autres contaminants au-delà des cyanobactéries.

Le mois dernier, au Consumer Electronics Show (CES) 2019 à Las Vegas, Nevada, ExxonMobil Corp. (Irving, Texas ; www.exxonmobil.com) et IBM Q (www.ibm.com/ibmq), la première initiative axée sur l'accélération des technologies quantiques, a annoncé un nouveau partenariat qui apportera pour la première fois des capacités d'informatique quantique au secteur de l'énergie. L'informatique quantique - une technologie émergente dotée d'une immense puissance de calcul - promet de relever des défis scientifiques extrêmement complexes plus efficacement que les ordinateurs conventionnels. Pour ExxonMobil, les applications potentielles de l'informatique quantique comprennent la modélisation environnementale prédictive et la découverte de nouveaux matériaux pour une capture plus efficace du carbone.

Alors que les technologies avancées telles que l'informatique quantique sont encore très nouvelles pour l'IPC, de nouvelles applications continueront certainement à apparaître à mesure que de plus en plus d'utilisateurs commenceront à comprendre les capacités de l'IA.