به گزارش نیپنا ، در دنیای پرشتاب صنعت شیمیایی، جایی که کارایی، ایمنی و پایداری محیط زیستی اولویتهای اصلی هستند، نوآوریهای فناورانه نقش کلیدی در تحول عملیات کارخانهها ایفا میکنند. به تازگی در چارچوب جوایز والور (Valor Awards) سال ۲۰۲۵، که بیش از ۵۰ سال سابقه دارد و توسط مجله Chemical Processing برگزار میشود، فناوری نوینی به نام Factorial Kernel Dynamic Policy Programming (FKDPP) از شرکت یوکاگاوا (Yokogawa) به عنوان برنده برجسته معرفی شد. این فناوری، که نخستین هوش مصنوعی مبتنی بر یادگیری تقویتی (Reinforcement Learning) برای کنترل خودکار فرآیندهای پیچیده شیمیایی است، نویدبخش سطح جدیدی از بهینهسازی عملیات است.
در این گزارش، به بررسی جزئیات این فناوری، توسعه آن، کاربردهای واقعی و چشمانداز آینده آن میپردازیم، در حالی که به تأثیرات بالقوه آن بر صنعت پتروشیمی ایران، به عنوان یکی از بزرگترین بازیگران منطقهای در این حوزه، نیز اشاره خواهیم کرد.
جوایز والور، که به یاد جان سی. والور، ویرایشگر ارشد سابق مجله Chemical Processing، نامگذاری شده، هر دو سال یکبار محصولاتی را که تأثیر قابل توجهی بر عملیات و اقتصاد کارخانههای شیمیایی دارند، ارزیابی میکند. معیارهای داوری شامل اهمیت مشارکت به عملیات کارخانه، نوآوری منحصربهفرد و گستردگی کاربرد در صنعت است. برای واجد شرایط بودن در جوایز ۲۰۲۵، محصولات باید بین مه ۲۰۲۳ تا مه ۲۰۲۵ در ایالات متحده تجاریسازی شده باشند. FKDPP، توسعهیافته توسط یوکاگاوا در همکاری با موسسه علوم و فناوری نارا(Nara Institute of Science and Technology)در ژاپن، با تمرکز بر کنترل فرآیندهای دینامیک و پیچیده، توانست نظر داوران را جلب کند. یکی از داوران تأکید کرد که قابلیت یادگیری سریع این الگوریتم، سطح جدیدی از بهینهسازی خودکار را به عملیات شیمیایی میآورد، به ویژه در فرآیندهایی که کنترل آنها دشوار است.
FKDPP یک الگوریتم یادگیری تقویتی است که بر اساس تعامل مداوم با محیط فرآیند عمل میکند. برخلاف روشهای سنتی مانند کنترل PID (Proportional-Integral-Derivative) که بر پایه سیستمهای بازخوردی ساده عمل میکنند و در فرآیندهای سریع و متغیر عملکرد ضعیفی دارند، یا کنترل پیشرفته فرآیند (APC) که وابسته به مدلهای دقیق و نظارت انسانی دورهای است، FKDPP از هوش مصنوعی برای مدیریت محیطهای پرنوسان، غیرخطی و نامعمول استفاده میکند.
این فناوری بدون نیاز به دادههای برچسبدار یا آزمایشهای طولانی، مدلهای قوی را تنها در ۳۰ تکرار یادگیری میسازد و زمان پیادهسازی را کاهش میدهد. مکانیسم اصلی آن بر پایه رویکرد «پاداش و تنبیه» است: اگر اقدام الگوریتم به سمت اهداف مطلوب (مانند تعادل کیفیت محصول و مصرف انرژی) پیش برود، پاداش دریافت میکند؛ در غیر این صورت، با عوامل کدگذاریشده تنبیه میشود تا خود را اصلاح کند. این رویکرد، که مرزهای مشخصی برای جلوگیری از انحراف تعریف میکند، FKDPP را به یک ابزار مکمل برای سیستمهای کنترل موجود تبدیل میکند.
توسعه FKDPP ریشه در فناوریهای رباتیک دارد. الگوریتم اولیه Kernel Dynamic Policy Programming توسط پروفسور بارا و دانشجویانش در آزمایشگاه یادگیری رباتیک موسسه نارا برای آموزش رباتهای با درجه آزادی بالا طراحی شد. یوکاگاوا این الگوریتم را با افزودن عنصر «فاکتوریال» برای کاربردهای صنعتی تطبیق داد، تا بتواند پارامترهای متعدد و متغیر در فرآیندهای شیمیایی را مدیریت کند. کارتیک گوپاکریشنان، مشاور راهحلهای یوکاگاوا با بیش از ۲۱ سال تجربه در صنعت، در پادکست Chemical Processing توضیح داد که این فناوری وابستگی به دقت شبیهسازها را کاهش میدهد و بر اساس رفتار تاریخی فرآیندها عمل میکند. پیادهسازی آن بااثر کربنسبک است: مدلها در سیستمهای خارجی آموزش میبینند و سپس از طریق ارتباطات OPC با سیستمهای کنترل توزیعشده (DCS) یا PLC ادغام میشوند. چالشهای ادغام، اگرچه وجود دارند، تاکنون کم بودهاند، به ویژه با توجه به تمرکز بر امنیت سایبری.
در کاربردهای واقعی، FKDPP نتایج چشمگیری نشان داده است. در شرکت ENEOS Materials ژاپن، این فناوری برای کنترل ستون تقطیر استفاده شد تا حرارت زائد و بخار را برای جداسازی بوتان با خلوص بالا مدیریت کند. نوسان های سطح مایع ناشی از تغییرات دما، کیفیت محصول را تحت تأثیر قرار میداد و اپراتورها مجبور بودند هر ۱۰-۱۵ دقیقه تنظیمات را تغییر دهند، که منجر به بار کاری بیش از حد و خطرات ایمنی میشد. با FKDPP، که عوامل محیطی مانند دمای محیط را نیز در نظر میگرفت، ثبات سالانه حاصل شد، مصرف انرژی بهینه گردید و انتشار CO2 تا ۴۰% کاهش یافت. این پروژه از یک اثبات مفهوم ۳۵ روزه به عملیات کامل سهساله تبدیل شد و اکنون در بخشهای دیگر سایت گسترش یافته است.
مثال دیگر، همکاری اخیر با آرامکو (Aramco) است، جایی که چندین عامل یادگیری تقویتی به طور مکمل برای کنترل تأسیسات کار میکنند. این رویکرد نوین، که تنها دو هفته پیش اعلام شد، نشاندهنده پتانسیل FKDPP در مقیاس بزرگ است. حتی در صنایع غیرشیمیایی، مانند تولید آبجو در یک کارخانه ژاپنی، FKDPP زمان تخمیر را از ۳۳۶ به ۲۴۰ ساعت کاهش داد – حدود ۳۰% صرفهجویی – که نشاندهنده انعطافپذیری آن است.
صنعت شیمیایی، به دلیل ماهیت محافظهکارانهاش، با احتیاط به سمت AI حرکت میکند. ترسی از آزمایشهای ناموفق و اختلال در عملیات ایمن وجود دارد. با این حال، گذار از لایههای مشاورهای AI (مانند نگهداری پیشبینیکننده) به سیستمهای حلقه بسته مانند FKDPP در حال رخ دادن است. گوپاکریشنان تأکید میکند که ارزش پیشنهادی، مانند کاهش هزینهها و افزایش ایمنی، پذیرش را تسریع میکند، اما همیشه با اولویت ایمنی و امنیت.
حال، بیایید به تأثیرات این فناوری بر صنعت پتروشیمی ایران بپردازیم. ایران، با داشتن یکی از بزرگترین ذخایر هیدروکربوری جهان و تولید محصولات متنوع پتروشیمی نقش محوری در اقتصاد منطقهای ایفا میکند. شرکتهایی مانند ملی صنایع پتروشیمی و مجتمعهای عظیم در هاب های عسلویه و ماهشهر، با چالشهایی مانند نوسانات انرژی، انتشار گازهای گلخانهای و نیاز به بهینهسازی فرآیندها روبرو هستند. FKDPP میتواند تحولآفرین باشد: در فرآیندهای پیچیده مانند تقطیر و کرکینگ، که مشابه مثال ENEOS هستند، این فناوری میتواند نوسانات را کاهش دهد، مصرف انرژی را بهینه کند و انتشار CO2 را پایین بیاورد – هدفی که با تعهدات ایران در توافق پاریس همخوانی دارد. برای نمونه، در مجتمعهای پتروشیمی ایران ادغام FKDPP با سیستمهای موجود میتواند بدون نیاز به تغییرات اساسی، کارایی را افزایش دهد و وابستگی به اپراتورهای انسانی را کم کند، که این امر ایمنی را در محیطهای پرخطر بهبود میبخشد.
با این حال، چالشها را نباید نادیده گرفت برخی محدودیت ها دسترسی به فناوریهای پیشرفته مانند FKDPP را محدود کردهاند، اما فرصتهایی برای نوآوری محلی وجود دارد.
شرکتهای ایرانی مانند شرکت پژوهش و فناوری پتروشیمی پژوهشگاه صنعت نفت یا شرکتهای دانشبنیان میتوانند با الهام از این مدل، نسخههای بومیسازیشده توسعه دهند. برای مثال، در پروژههای ملی مانند توسعه میدانهای گازی پارس جنوبی، استفاده از AI برای کنترل فرآیندها میتواند تولید را ۲۰-۳۰ درصد افزایش دهد، علاوه بر این، با تمرکز بر پایداری، FKDPP میتواند به ایران کمک کند تا در بازارهای صادراتی رقابتیتر شود، جایی که استانداردهای زیستمحیطی سختگیرانهتر میشوند. کاهش ۴۰% CO2 در مثال ژاپنی، میتواند الگویی برای کاهش آلودگی در خلیج فارس باشد، که این امر نه تنها اقتصادی بلکه اجتماعی-زیستمحیطی است.
چشمانداز آینده FKDPP به سمت کنترل خودکار پیش میرود، اما تعریف «خودکار» کلیدی است. گوپاکریشنان معتقد است که فناوریهایی مانند این، اقدامات خودکار را ممکن میسازند، اما همیشه با نظارت انسانی برای جلوگیری از «توهمات AI» (hallucinations) همراه خواهند بود. در ایران، این میتواند به معنای عملیات خودکار در بخشهایی از زنجیره تأمین پتروشیمی باشد، مانند کنترل راکتورها، در حالی که انسانها بر تصمیمگیریهای استراتژیک تمرکز میکنند. مثال آرامکو نشاندهنده رویکرد چندعاملی است، که میتواند در شبکههای پیچیده ایرانی مانند خطوط لوله گاز اعمال شود.
در نهایت، FKDPP نه تنها یک نوآوری فنی، بلکه نمادی از تحول دیجیتال در صنعت شیمیایی است. این فناوری، با کاهش زمان پیادهسازی به ۱-۲ سال و تمرکز بر ROI قوی، میتواند صنایع را به سمت پایداری بیشتر سوق دهد. برای ایران، که در حال تلاش برای تنوعبخشی اقتصاد از نفت خام به محصولات با ارزش افزوده است، چنین فناوریهایی فرصتهای طلایی هستند. با سرمایهگذاری در تحقیق و توسعه محلی و همکاریهای بینالمللی (هرچند محدود)، صنعت پتروشیمی ایران میتواند از این موج نوآوری بهره ببرد و جایگاه خود را در بازار جهانی تقویت کند. فناوری اینجا برای ماندن است، و تنها سؤال این است که چگونه آن را به بهترین شکل ادغام کنیم.
تهیه و تنظیم: عباس حاجیهاشمی