SCA testar AI-modell för optimering av energianvändning

I ett nyligen avslutat projekt har ​SCA tillsammans med ​Calejo Industrial Intelligence lyckats få en bättre förståelse och träffsäkrare prognos över användningen av ånga.

SCA testar AI-modell för optimering av energianvändning 1
Genom ett avslutat projekt har SCA och Calejo Industrial Intelligence visat på den stora potentialen i att använda AI inom industrin.

Projektet har potential att kunna leda till en jämnare energiförbrukning över tid och en väsentligt minskad förbrukning av fossilt bränsle i SCA Obbola utanför Umeå. Resultatet visar på den stora potentialen med att använda AI inom industrin.

I SCAs sulfatsmassafabrik i Obbola är vattenånga både en restprodukt och något som används i produktionsprocessen genom att bland annat driva en turbingenerator för elproduktion. Vanligtvis finns det en balans mellan behov och tillgång av vattenånga, men vid störningar i delar av produktionen kan ett underskott av vattenånga uppstå. Den obalans som då uppstår, kan regleras genom antingen en minskning av elproduktionen eller genom att skapa vattenånga via förbränning av fossila bränslen.

​Mot denna bakgrund togs det via detta Vinnova-projekt fram en träffsäker prognos över processens behov av vattenånga, liksom en digital tvilling över processen.

Målet var att genom en bättre insikt om processen kunna förstå hur vattenånga kan skapas i god tid innan behovet uppstår – detta utan att vare sig minska elproduktionen eller förbränna fossila bränslen.

Imponerande resultat

Projektet visar att det är teoretiskt möjligt att med hjälp av självlärande AI-teknik och träffsäkrare prognoser minska oljeanvändningen i barkpannorna via en ändrad styrning av sodapanna, kokeri och barkpanna.

– Denna teknik är tillämpbar inom flera områden, men detta projekt är ett av få där tekniken framgångsrikt har testats inom processindustrin, säger Johannes Holmberg, VD för Calejo Industrial Intelligence.

Modellen visar sig kunna förutspå ca 70 procent av de tillfällen, då olja används i barkpannorna. Med en förbättrad analys och förståelse för processen kan även en stor del av resterande 30 procent kunna arbetas bort.

– En optimering av hela tidsperioden bekräftar teorin att det går att använda energin i processen, så att behovet av olja kraftigt minskas. Det 70-procentiga oljebehov i barkpannorna, som modellen kan förutspå, försvinner helt efter optimeringen. Dessutom framgår det klart i utvärderingen att resterande 30 procent av oljeanvändningen har uppstått vid sidan av normal drift. Detta bevisar vår ursprungliga teori om att det går att producera ånga utan tillskott av fossil olja vid normal drift, säger Johannes Holmberg.

​​Flera nya projekt planeras

Den digitala tvilling som har använts i detta projekt har helt byggts upp utifrån en svartboxmodell, vilket betyder att den enbart består av neurala nätverk som tränas på historiska processdata.

Framöver kan modellen med fördel även byggas om till en så kallad gråbox-modell, det vill säga en modell som består av både tränade neurala nätverk och matematiska samband. Detta kommer att skapa en ännu bättre modellförståelse mellan direkta och indirekta processhändelser, vilket medför att modellträffsäkerheten ytterligare ökas utan behov av mer datamängd. Ett nästa steg som nu diskuteras är att anpassa och testa att använda modellen i syfte att ge operatörerna ett processtöd.

– En modell som kan förutspå och ge indikationer om hur processen bör styras är ur ett produktivitetsperspektiv klart intressant för oss som anläggningsägare. Vi är mycket nöjda med resultatet och kommer att gå vidare med dessa erfarenheter av AI i kommande utvecklingsprojekt, säger Magnus Viström, innovationschef på SCA.