Британская технологическая компания MatAlytics получила государственное финансирование в размере 619 000 фунтов стерлингов для тестирования искусственного интеллекта в производстве стали. Система предназначена для быстрого расчета того, как сталь нагревается и изменяется внутри промышленной печи. Целью является сокращение потребления газа без ущерба для качества продукции.
Финансирование поступает от инновационного агентства правительства Великобритании Innovate UK. Он будет использоваться для разработки и тестирования программного обеспечения компании CITRUS в условиях, отражающих реальное производство стали.
MatAlytics ранее получила 100 000 фунтов стерлингов от Innovate UK на разработку начальной версии технологии. Последняя награда призвана продвинуть проект от технического подтверждения концепции к промышленным испытаниям и проверке.
Компания выросла из исследований в Ноттингемском университете. Его технология основана на так называемом искусственном интеллекте, основанном на физике. Это означает, что система обучается с использованием установленных физических принципов и результатов передового компьютерного моделирования.
Таким образом, это не обычный чат-бот. Программное обеспечение не генерирует текст и не отвечает на общие вопросы. Его цель — рассчитать, что происходит со сталью, когда материал подвергается воздействию высоких температур и сильных механических сил.
Печь имеет решающее значение для качества стали
Прежде чем сталь можно будет прокатывать, в печи нагреваются большие полуфабрикаты, известные как слябы или заготовки. Сляб можно описать просто как толстый, тяжелый кусок стали, который позже будет спрессован и раскатан в такие изделия, как стальная пластина.
Прежде чем начать обработку, сталь должна достичь нужной температуры. Нагревания поверхности недостаточно. Требуемая температура должна проникать в материал равномерно и контролируемо.
Если сляб остается в печи дольше, чем необходимо, установка потребляет дополнительное топливо. Это увеличивает как эксплуатационные расходы, так и выбросы. Чрезмерно длительное время нагрева также может стать узким местом, которое ограничивает количество стали, которое может производить завод.
Слишком раннее удаление стали создает другую проблему. Части материала могут быть еще слишком холодными или не иметь свойств, необходимых для следующего этапа производства. Это может вызвать трудности при прокатке и, в худшем случае, повлиять на качество готовой продукции.
Поэтому сталеварам необходимо найти тщательный баланс. Нагрев должен продолжаться достаточно долго, чтобы достичь правильной температуры и свойств материала, но не дольше, чем необходимо.
В настоящее время инженеры используют передовые компьютерные модели для расчета того, как тепло, давление и движение влияют на сталь. Один широко используемый метод известен как метод конечных элементов.
Проще говоря, компьютер делит физический объект на очень большое количество небольших секций. Затем он рассчитывает, что происходит в каждой секции, когда сталь нагревается, охлаждается, сгибается или находится под давлением.
Такое моделирование может предоставить подробную информацию о температуре, внутренних напряжениях, деформации и риске повреждения. Недостатком является то, что очень подробные расчеты могут занять несколько часов или даже дней и потребовать значительных вычислительных мощностей.
Это приемлемо для плановых инженерных исследований. Это менее полезно, когда операторам необходимо быстро адаптировать производство к другой марке стали, размеру сляба или температуре печи.
ИИ может предоставить результаты в течение нескольких секунд
Предлагаемое решение MatAlytics — обучить нейронную сеть, используя результаты большого количества традиционных симуляций. Нейронная сеть — это вычислительная система, обученная выявлять сложные закономерности в больших объемах информации.
После обучения CITRUS сможет делать новый прогноз, не повторяя всю трудоемкую симуляцию с самого начала.
MatAlytics утверждает, что расчеты, которые обычно требуют часов или дней, вместо этого могут быть выполнены за секунды. Это может сделать технологию полезной, когда сталелитейный завод планирует производство или корректирует уже идущий процесс.
Система может, например, рассчитать, как долго конкретная стальная плита должна оставаться в печи и какая температура требуется. Если время нагрева можно сократить без снижения качества, сталелитейные заводы смогут использовать меньше природного газа и увеличить производительность.
Модель искусственного интеллекта также предназначена для прогнозирования изменений в микроструктуре стали. Микроструктура описывает расположение чрезвычайно мелких кристаллов и других внутренних компонентов материала.
Эту структуру нельзя увидеть невооруженным глазом, но она оказывает большое влияние на свойства стали. Это влияет на такие характеристики, как прочность, твердость, ударная вязкость и устойчивость к износу.
Микроструктура меняется при нагревании, охлаждении и механической обработке стали. Таким образом, два куска стали с одинаковым химическим составом могут приобретать разные свойства в зависимости от того, как с ними обращаются во время производства.
Если CITRUS сможет точно предсказать эти изменения, его ценность может выйти за рамки экономии энергии. Эта технология может также способствовать разработке новых марок стали, устранению неполадок на производстве и контролю качества.
Промышленная эффективность еще не продемонстрирована
Обещание результатов в течение нескольких секунд остается заявлением MatAlytics о производительности. Новый проект должен продемонстрировать, может ли система также производить достаточно точные и надежные прогнозы в действующей среде производства стали.
Модель ИИ во многом зависит от информации, используемой во время обучения. Если он столкнется с маркой стали, печью или производственным процессом, которые существенно отличаются от учебных примеров, его расчеты могут стать менее надежными.
Данные завода также должны быть точными. Неправильные показания температуры или неполная информация о размере и составе стали могут привести к неподходящим рекомендациям.
Поэтому одной скорости недостаточно. Инженеры должны быть в состоянии определить, когда результат надежен, а когда его необходимо проверить с помощью традиционных расчетов или физических испытаний.
Четкие процедуры безопасности и ответственности также потребуются, если программное обеспечение будет подключено к управлению печью. Заводу необходимо будет установить, кто рассматривает рекомендации и кто принимает окончательное производственное решение.
Интеграция представляет собой еще одну проблему. Показания датчиков необходимо собирать, систематизировать и передавать в модель в правильном контексте. Его результаты должны стать частью существующих операционных процедур, а не оставаться на отдельном экране, который сотрудники редко используют.
Возможная экономия также будет зависеть от гибкости каждого завода. Более быстрый расчет не может снизить потребление энергии, если печь, график производства или прокатный стан не могут реагировать на рекомендуемые изменения.
MatAlytics также определяет возможные применения в производстве электроэнергии, ядерных и термоядерных установках, водородной инфраструктуре, аэрокосмической отрасли, автомобильном производстве и обороне. Эти отрасли сталкиваются с одинаковыми требованиями, чтобы понять, как материалы и конструкции реагируют на тепло, давление и механическое напряжение.
Теперь проект должен выяснить, может ли основанный на физике ИИ выполнять более быстрые и технически впечатляющие вычисления. Его промышленная ценность в конечном итоге будет зависеть от того, сможет ли он обеспечить измеримую экономию энергии при сохранении стабильного качества стали и безопасной эксплуатации предприятия.
Источники: MatAlytics, Innovate UK, Институт материалов, минералов и горного дела и Industrial News.
Британская технологическая компания MatAlytics получила государственное финансирование в размере 619 000 фунтов стерлингов для тестирования искусственного интеллекта в производстве стали. Система предназначена для быстрого расчета того, как сталь нагревается и изменяется внутри промышленной печи. Целью является сокращение потребления газа без ущерба для качества продукции.
Финансирование поступает от инновационного агентства правительства Великобритании Innovate UK. Он будет использоваться для разработки и тестирования программного обеспечения компании CITRUS в условиях, отражающих реальное производство стали.
MatAlytics ранее получила 100 000 фунтов стерлингов от Innovate UK на разработку начальной версии технологии. Последняя награда призвана продвинуть проект от технического подтверждения концепции к промышленным испытаниям и проверке.
Компания выросла из исследований в Ноттингемском университете. Его технология основана на так называемом искусственном интеллекте, основанном на физике. Это означает, что система обучается с использованием установленных физических принципов и результатов передового компьютерного моделирования.
Таким образом, это не обычный чат-бот. Программное обеспечение не генерирует текст и не отвечает на общие вопросы. Его цель — рассчитать, что происходит со сталью, когда материал подвергается воздействию высоких температур и сильных механических сил.
Печь имеет решающее значение для качества стали
Прежде чем сталь можно будет прокатывать, в печи нагреваются большие полуфабрикаты, известные как слябы или заготовки. Сляб можно описать просто как толстый, тяжелый кусок стали, который позже будет спрессован и раскатан в такие изделия, как стальная пластина.
Прежде чем начать обработку, сталь должна достичь нужной температуры. Нагревания поверхности недостаточно. Требуемая температура должна проникать в материал равномерно и контролируемо.
Если сляб остается в печи дольше, чем необходимо, установка потребляет дополнительное топливо. Это увеличивает как эксплуатационные расходы, так и выбросы. Чрезмерно длительное время нагрева также может стать узким местом, которое ограничивает количество стали, которое может производить завод.
Слишком раннее удаление стали создает другую проблему. Части материала могут быть еще слишком холодными или не иметь свойств, необходимых для следующего этапа производства. Это может вызвать трудности при прокатке и, в худшем случае, повлиять на качество готовой продукции.
Поэтому сталеварам необходимо найти тщательный баланс. Нагрев должен продолжаться достаточно долго, чтобы достичь правильной температуры и свойств материала, но не дольше, чем необходимо.
В настоящее время инженеры используют передовые компьютерные модели для расчета того, как тепло, давление и движение влияют на сталь. Один широко используемый метод известен как метод конечных элементов.
Проще говоря, компьютер делит физический объект на очень большое количество небольших секций. Затем он рассчитывает, что происходит в каждой секции, когда сталь нагревается, охлаждается, сгибается или находится под давлением.
Такое моделирование может предоставить подробную информацию о температуре, внутренних напряжениях, деформации и риске повреждения. Недостатком является то, что очень подробные расчеты могут занять несколько часов или даже дней и потребовать значительных вычислительных мощностей.
Это приемлемо для плановых инженерных исследований. Это менее полезно, когда операторам необходимо быстро адаптировать производство к другой марке стали, размеру сляба или температуре печи.
ИИ может предоставить результаты в течение нескольких секунд
Предлагаемое решение MatAlytics — обучить нейронную сеть, используя результаты большого количества традиционных симуляций. Нейронная сеть — это вычислительная система, обученная выявлять сложные закономерности в больших объемах информации.
После обучения CITRUS сможет делать новый прогноз, не повторяя всю трудоемкую симуляцию с самого начала.
MatAlytics утверждает, что расчеты, которые обычно требуют часов или дней, вместо этого могут быть выполнены за секунды. Это может сделать технологию полезной, когда сталелитейный завод планирует производство или корректирует уже идущий процесс.
Система может, например, рассчитать, как долго конкретная стальная плита должна оставаться в печи и какая температура требуется. Если время нагрева можно сократить без снижения качества, сталелитейные заводы смогут использовать меньше природного газа и увеличить производительность.
Модель искусственного интеллекта также предназначена для прогнозирования изменений в микроструктуре стали. Микроструктура описывает расположение чрезвычайно мелких кристаллов и других внутренних компонентов материала.
Эту структуру нельзя увидеть невооруженным глазом, но она оказывает большое влияние на свойства стали. Это влияет на такие характеристики, как прочность, твердость, ударная вязкость и устойчивость к износу.
Микроструктура меняется при нагревании, охлаждении и механической обработке стали. Таким образом, два куска стали с одинаковым химическим составом могут приобретать разные свойства в зависимости от того, как с ними обращаются во время производства.
Если CITRUS сможет точно предсказать эти изменения, его ценность может выйти за рамки экономии энергии. Эта технология может также способствовать разработке новых марок стали, устранению неполадок на производстве и контролю качества.
Промышленная эффективность еще не продемонстрирована
Обещание результатов в течение нескольких секунд остается заявлением MatAlytics о производительности. Новый проект должен продемонстрировать, может ли система также производить достаточно точные и надежные прогнозы в действующей среде производства стали.
Модель ИИ во многом зависит от информации, используемой во время обучения. Если он столкнется с маркой стали, печью или производственным процессом, которые существенно отличаются от учебных примеров, его расчеты могут стать менее надежными.
Данные завода также должны быть точными. Неправильные показания температуры или неполная информация о размере и составе стали могут привести к неподходящим рекомендациям.
Поэтому одной скорости недостаточно. Инженеры должны быть в состоянии определить, когда результат надежен, а когда его необходимо проверить с помощью традиционных расчетов или физических испытаний.
Четкие процедуры безопасности и ответственности также потребуются, если программное обеспечение будет подключено к управлению печью. Заводу необходимо будет установить, кто рассматривает рекомендации и кто принимает окончательное производственное решение.
Интеграция представляет собой еще одну проблему. Показания датчиков необходимо собирать, систематизировать и передавать в модель в правильном контексте. Его результаты должны стать частью существующих операционных процедур, а не оставаться на отдельном экране, который сотрудники редко используют.
Возможная экономия также будет зависеть от гибкости каждого завода. Более быстрый расчет не может снизить потребление энергии, если печь, график производства или прокатный стан не могут реагировать на рекомендуемые изменения.
MatAlytics также определяет возможные применения в производстве электроэнергии, ядерных и термоядерных установках, водородной инфраструктуре, аэрокосмической отрасли, автомобильном производстве и обороне. Эти отрасли сталкиваются с одинаковыми требованиями, чтобы понять, как материалы и конструкции реагируют на тепло, давление и механическое напряжение.
Теперь проект должен выяснить, может ли основанный на физике ИИ выполнять более быстрые и технически впечатляющие вычисления. Его промышленная ценность в конечном итоге будет зависеть от того, сможет ли он обеспечить измеримую экономию энергии при сохранении стабильного качества стали и безопасной эксплуатации предприятия.
Источники: MatAlytics, Innovate UK, Институт материалов, минералов и горного дела и Industrial News.
Британская технологическая компания MatAlytics получила государственное финансирование в размере 619 000 фунтов стерлингов для тестирования искусственного интеллекта в производстве стали. Система предназначена для быстрого расчета того, как сталь нагревается и изменяется внутри промышленной печи. Целью является сокращение потребления газа без ущерба для качества продукции.
Финансирование поступает от инновационного агентства правительства Великобритании Innovate UK. Он будет использоваться для разработки и тестирования программного обеспечения компании CITRUS в условиях, отражающих реальное производство стали.
MatAlytics ранее получила 100 000 фунтов стерлингов от Innovate UK на разработку начальной версии технологии. Последняя награда призвана продвинуть проект от технического подтверждения концепции к промышленным испытаниям и проверке.
Компания выросла из исследований в Ноттингемском университете. Его технология основана на так называемом искусственном интеллекте, основанном на физике. Это означает, что система обучается с использованием установленных физических принципов и результатов передового компьютерного моделирования.
Таким образом, это не обычный чат-бот. Программное обеспечение не генерирует текст и не отвечает на общие вопросы. Его цель — рассчитать, что происходит со сталью, когда материал подвергается воздействию высоких температур и сильных механических сил.
Печь имеет решающее значение для качества стали
Прежде чем сталь можно будет прокатывать, в печи нагреваются большие полуфабрикаты, известные как слябы или заготовки. Сляб можно описать просто как толстый, тяжелый кусок стали, который позже будет спрессован и раскатан в такие изделия, как стальная пластина.
Прежде чем начать обработку, сталь должна достичь нужной температуры. Нагревания поверхности недостаточно. Требуемая температура должна проникать в материал равномерно и контролируемо.
Если сляб остается в печи дольше, чем необходимо, установка потребляет дополнительное топливо. Это увеличивает как эксплуатационные расходы, так и выбросы. Чрезмерно длительное время нагрева также может стать узким местом, которое ограничивает количество стали, которое может производить завод.
Слишком раннее удаление стали создает другую проблему. Части материала могут быть еще слишком холодными или не иметь свойств, необходимых для следующего этапа производства. Это может вызвать трудности при прокатке и, в худшем случае, повлиять на качество готовой продукции.
Поэтому сталеварам необходимо найти тщательный баланс. Нагрев должен продолжаться достаточно долго, чтобы достичь правильной температуры и свойств материала, но не дольше, чем необходимо.
В настоящее время инженеры используют передовые компьютерные модели для расчета того, как тепло, давление и движение влияют на сталь. Один широко используемый метод известен как метод конечных элементов.
Проще говоря, компьютер делит физический объект на очень большое количество небольших секций. Затем он рассчитывает, что происходит в каждой секции, когда сталь нагревается, охлаждается, сгибается или находится под давлением.
Такое моделирование может предоставить подробную информацию о температуре, внутренних напряжениях, деформации и риске повреждения. Недостатком является то, что очень подробные расчеты могут занять несколько часов или даже дней и потребовать значительных вычислительных мощностей.
Это приемлемо для плановых инженерных исследований. Это менее полезно, когда операторам необходимо быстро адаптировать производство к другой марке стали, размеру сляба или температуре печи.
ИИ может предоставить результаты в течение нескольких секунд
Предлагаемое решение MatAlytics — обучить нейронную сеть, используя результаты большого количества традиционных симуляций. Нейронная сеть — это вычислительная система, обученная выявлять сложные закономерности в больших объемах информации.
После обучения CITRUS сможет делать новый прогноз, не повторяя всю трудоемкую симуляцию с самого начала.
MatAlytics утверждает, что расчеты, которые обычно требуют часов или дней, вместо этого могут быть выполнены за секунды. Это может сделать технологию полезной, когда сталелитейный завод планирует производство или корректирует уже идущий процесс.
Система может, например, рассчитать, как долго конкретная стальная плита должна оставаться в печи и какая температура требуется. Если время нагрева можно сократить без снижения качества, сталелитейные заводы смогут использовать меньше природного газа и увеличить производительность.
Модель искусственного интеллекта также предназначена для прогнозирования изменений в микроструктуре стали. Микроструктура описывает расположение чрезвычайно мелких кристаллов и других внутренних компонентов материала.
Эту структуру нельзя увидеть невооруженным глазом, но она оказывает большое влияние на свойства стали. Это влияет на такие характеристики, как прочность, твердость, ударная вязкость и устойчивость к износу.
Микроструктура меняется при нагревании, охлаждении и механической обработке стали. Таким образом, два куска стали с одинаковым химическим составом могут приобретать разные свойства в зависимости от того, как с ними обращаются во время производства.
Если CITRUS сможет точно предсказать эти изменения, его ценность может выйти за рамки экономии энергии. Эта технология может также способствовать разработке новых марок стали, устранению неполадок на производстве и контролю качества.
Промышленная эффективность еще не продемонстрирована
Обещание результатов в течение нескольких секунд остается заявлением MatAlytics о производительности. Новый проект должен продемонстрировать, может ли система также производить достаточно точные и надежные прогнозы в действующей среде производства стали.
Модель ИИ во многом зависит от информации, используемой во время обучения. Если он столкнется с маркой стали, печью или производственным процессом, которые существенно отличаются от учебных примеров, его расчеты могут стать менее надежными.
Данные завода также должны быть точными. Неправильные показания температуры или неполная информация о размере и составе стали могут привести к неподходящим рекомендациям.
Поэтому одной скорости недостаточно. Инженеры должны быть в состоянии определить, когда результат надежен, а когда его необходимо проверить с помощью традиционных расчетов или физических испытаний.
Четкие процедуры безопасности и ответственности также потребуются, если программное обеспечение будет подключено к управлению печью. Заводу необходимо будет установить, кто рассматривает рекомендации и кто принимает окончательное производственное решение.
Интеграция представляет собой еще одну проблему. Показания датчиков необходимо собирать, систематизировать и передавать в модель в правильном контексте. Его результаты должны стать частью существующих операционных процедур, а не оставаться на отдельном экране, который сотрудники редко используют.
Возможная экономия также будет зависеть от гибкости каждого завода. Более быстрый расчет не может снизить потребление энергии, если печь, график производства или прокатный стан не могут реагировать на рекомендуемые изменения.
MatAlytics также определяет возможные применения в производстве электроэнергии, ядерных и термоядерных установках, водородной инфраструктуре, аэрокосмической отрасли, автомобильном производстве и обороне. Эти отрасли сталкиваются с одинаковыми требованиями, чтобы понять, как материалы и конструкции реагируют на тепло, давление и механическое напряжение.
Теперь проект должен выяснить, может ли основанный на физике ИИ выполнять более быстрые и технически впечатляющие вычисления. Его промышленная ценность в конечном итоге будет зависеть от того, сможет ли он обеспечить измеримую экономию энергии при сохранении стабильного качества стали и безопасной эксплуатации предприятия.
Источники: MatAlytics, Innovate UK, Институт материалов, минералов и горного дела и Industrial News.
Британская технологическая компания MatAlytics получила государственное финансирование в размере 619 000 фунтов стерлингов для тестирования искусственного интеллекта в производстве стали. Система предназначена для быстрого расчета того, как сталь нагревается и изменяется внутри промышленной печи. Целью является сокращение потребления газа без ущерба для качества продукции.
Финансирование поступает от инновационного агентства правительства Великобритании Innovate UK. Он будет использоваться для разработки и тестирования программного обеспечения компании CITRUS в условиях, отражающих реальное производство стали.
MatAlytics ранее получила 100 000 фунтов стерлингов от Innovate UK на разработку начальной версии технологии. Последняя награда призвана продвинуть проект от технического подтверждения концепции к промышленным испытаниям и проверке.
Компания выросла из исследований в Ноттингемском университете. Его технология основана на так называемом искусственном интеллекте, основанном на физике. Это означает, что система обучается с использованием установленных физических принципов и результатов передового компьютерного моделирования.
Таким образом, это не обычный чат-бот. Программное обеспечение не генерирует текст и не отвечает на общие вопросы. Его цель — рассчитать, что происходит со сталью, когда материал подвергается воздействию высоких температур и сильных механических сил.
Печь имеет решающее значение для качества стали
Прежде чем сталь можно будет прокатывать, в печи нагреваются большие полуфабрикаты, известные как слябы или заготовки. Сляб можно описать просто как толстый, тяжелый кусок стали, который позже будет спрессован и раскатан в такие изделия, как стальная пластина.
Прежде чем начать обработку, сталь должна достичь нужной температуры. Нагревания поверхности недостаточно. Требуемая температура должна проникать в материал равномерно и контролируемо.
Если сляб остается в печи дольше, чем необходимо, установка потребляет дополнительное топливо. Это увеличивает как эксплуатационные расходы, так и выбросы. Чрезмерно длительное время нагрева также может стать узким местом, которое ограничивает количество стали, которое может производить завод.
Слишком раннее удаление стали создает другую проблему. Части материала могут быть еще слишком холодными или не иметь свойств, необходимых для следующего этапа производства. Это может вызвать трудности при прокатке и, в худшем случае, повлиять на качество готовой продукции.
Поэтому сталеварам необходимо найти тщательный баланс. Нагрев должен продолжаться достаточно долго, чтобы достичь правильной температуры и свойств материала, но не дольше, чем необходимо.
В настоящее время инженеры используют передовые компьютерные модели для расчета того, как тепло, давление и движение влияют на сталь. Один широко используемый метод известен как метод конечных элементов.
Проще говоря, компьютер делит физический объект на очень большое количество небольших секций. Затем он рассчитывает, что происходит в каждой секции, когда сталь нагревается, охлаждается, сгибается или находится под давлением.
Такое моделирование может предоставить подробную информацию о температуре, внутренних напряжениях, деформации и риске повреждения. Недостатком является то, что очень подробные расчеты могут занять несколько часов или даже дней и потребовать значительных вычислительных мощностей.
Это приемлемо для плановых инженерных исследований. Это менее полезно, когда операторам необходимо быстро адаптировать производство к другой марке стали, размеру сляба или температуре печи.
ИИ может предоставить результаты в течение нескольких секунд
Предлагаемое решение MatAlytics — обучить нейронную сеть, используя результаты большого количества традиционных симуляций. Нейронная сеть — это вычислительная система, обученная выявлять сложные закономерности в больших объемах информации.
После обучения CITRUS сможет делать новый прогноз, не повторяя всю трудоемкую симуляцию с самого начала.
MatAlytics утверждает, что расчеты, которые обычно требуют часов или дней, вместо этого могут быть выполнены за секунды. Это может сделать технологию полезной, когда сталелитейный завод планирует производство или корректирует уже идущий процесс.
Система может, например, рассчитать, как долго конкретная стальная плита должна оставаться в печи и какая температура требуется. Если время нагрева можно сократить без снижения качества, сталелитейные заводы смогут использовать меньше природного газа и увеличить производительность.
Модель искусственного интеллекта также предназначена для прогнозирования изменений в микроструктуре стали. Микроструктура описывает расположение чрезвычайно мелких кристаллов и других внутренних компонентов материала.
Эту структуру нельзя увидеть невооруженным глазом, но она оказывает большое влияние на свойства стали. Это влияет на такие характеристики, как прочность, твердость, ударная вязкость и устойчивость к износу.
Микроструктура меняется при нагревании, охлаждении и механической обработке стали. Таким образом, два куска стали с одинаковым химическим составом могут приобретать разные свойства в зависимости от того, как с ними обращаются во время производства.
Если CITRUS сможет точно предсказать эти изменения, его ценность может выйти за рамки экономии энергии. Эта технология может также способствовать разработке новых марок стали, устранению неполадок на производстве и контролю качества.
Промышленная эффективность еще не продемонстрирована
Обещание результатов в течение нескольких секунд остается заявлением MatAlytics о производительности. Новый проект должен продемонстрировать, может ли система также производить достаточно точные и надежные прогнозы в действующей среде производства стали.
Модель ИИ во многом зависит от информации, используемой во время обучения. Если он столкнется с маркой стали, печью или производственным процессом, которые существенно отличаются от учебных примеров, его расчеты могут стать менее надежными.
Данные завода также должны быть точными. Неправильные показания температуры или неполная информация о размере и составе стали могут привести к неподходящим рекомендациям.
Поэтому одной скорости недостаточно. Инженеры должны быть в состоянии определить, когда результат надежен, а когда его необходимо проверить с помощью традиционных расчетов или физических испытаний.
Четкие процедуры безопасности и ответственности также потребуются, если программное обеспечение будет подключено к управлению печью. Заводу необходимо будет установить, кто рассматривает рекомендации и кто принимает окончательное производственное решение.
Интеграция представляет собой еще одну проблему. Показания датчиков необходимо собирать, систематизировать и передавать в модель в правильном контексте. Его результаты должны стать частью существующих операционных процедур, а не оставаться на отдельном экране, который сотрудники редко используют.
Возможная экономия также будет зависеть от гибкости каждого завода. Более быстрый расчет не может снизить потребление энергии, если печь, график производства или прокатный стан не могут реагировать на рекомендуемые изменения.
MatAlytics также определяет возможные применения в производстве электроэнергии, ядерных и термоядерных установках, водородной инфраструктуре, аэрокосмической отрасли, автомобильном производстве и обороне. Эти отрасли сталкиваются с одинаковыми требованиями, чтобы понять, как материалы и конструкции реагируют на тепло, давление и механическое напряжение.
Теперь проект должен выяснить, может ли основанный на физике ИИ выполнять более быстрые и технически впечатляющие вычисления. Его промышленная ценность в конечном итоге будет зависеть от того, сможет ли он обеспечить измеримую экономию энергии при сохранении стабильного качества стали и безопасной эксплуатации предприятия.
Источники: MatAlytics, Innovate UK, Институт материалов, минералов и горного дела и Industrial News.
Британская технологическая компания MatAlytics получила государственное финансирование в размере 619 000 фунтов стерлингов для тестирования искусственного интеллекта в производстве стали. Система предназначена для быстрого расчета того, как сталь нагревается и изменяется внутри промышленной печи. Целью является сокращение потребления газа без ущерба для качества продукции.
Финансирование поступает от инновационного агентства правительства Великобритании Innovate UK. Он будет использоваться для разработки и тестирования программного обеспечения компании CITRUS в условиях, отражающих реальное производство стали.
MatAlytics ранее получила 100 000 фунтов стерлингов от Innovate UK на разработку начальной версии технологии. Последняя награда призвана продвинуть проект от технического подтверждения концепции к промышленным испытаниям и проверке.
Компания выросла из исследований в Ноттингемском университете. Его технология основана на так называемом искусственном интеллекте, основанном на физике. Это означает, что система обучается с использованием установленных физических принципов и результатов передового компьютерного моделирования.
Таким образом, это не обычный чат-бот. Программное обеспечение не генерирует текст и не отвечает на общие вопросы. Его цель — рассчитать, что происходит со сталью, когда материал подвергается воздействию высоких температур и сильных механических сил.
Печь имеет решающее значение для качества стали
Прежде чем сталь можно будет прокатывать, в печи нагреваются большие полуфабрикаты, известные как слябы или заготовки. Сляб можно описать просто как толстый, тяжелый кусок стали, который позже будет спрессован и раскатан в такие изделия, как стальная пластина.
Прежде чем начать обработку, сталь должна достичь нужной температуры. Нагревания поверхности недостаточно. Требуемая температура должна проникать в материал равномерно и контролируемо.
Если сляб остается в печи дольше, чем необходимо, установка потребляет дополнительное топливо. Это увеличивает как эксплуатационные расходы, так и выбросы. Чрезмерно длительное время нагрева также может стать узким местом, которое ограничивает количество стали, которое может производить завод.
Слишком раннее удаление стали создает другую проблему. Части материала могут быть еще слишком холодными или не иметь свойств, необходимых для следующего этапа производства. Это может вызвать трудности при прокатке и, в худшем случае, повлиять на качество готовой продукции.
Поэтому сталеварам необходимо найти тщательный баланс. Нагрев должен продолжаться достаточно долго, чтобы достичь правильной температуры и свойств материала, но не дольше, чем необходимо.
В настоящее время инженеры используют передовые компьютерные модели для расчета того, как тепло, давление и движение влияют на сталь. Один широко используемый метод известен как метод конечных элементов.
Проще говоря, компьютер делит физический объект на очень большое количество небольших секций. Затем он рассчитывает, что происходит в каждой секции, когда сталь нагревается, охлаждается, сгибается или находится под давлением.
Такое моделирование может предоставить подробную информацию о температуре, внутренних напряжениях, деформации и риске повреждения. Недостатком является то, что очень подробные расчеты могут занять несколько часов или даже дней и потребовать значительных вычислительных мощностей.
Это приемлемо для плановых инженерных исследований. Это менее полезно, когда операторам необходимо быстро адаптировать производство к другой марке стали, размеру сляба или температуре печи.
ИИ может предоставить результаты в течение нескольких секунд
Предлагаемое решение MatAlytics — обучить нейронную сеть, используя результаты большого количества традиционных симуляций. Нейронная сеть — это вычислительная система, обученная выявлять сложные закономерности в больших объемах информации.
После обучения CITRUS сможет делать новый прогноз, не повторяя всю трудоемкую симуляцию с самого начала.
MatAlytics утверждает, что расчеты, которые обычно требуют часов или дней, вместо этого могут быть выполнены за секунды. Это может сделать технологию полезной, когда сталелитейный завод планирует производство или корректирует уже идущий процесс.
Система может, например, рассчитать, как долго конкретная стальная плита должна оставаться в печи и какая температура требуется. Если время нагрева можно сократить без снижения качества, сталелитейные заводы смогут использовать меньше природного газа и увеличить производительность.
Модель искусственного интеллекта также предназначена для прогнозирования изменений в микроструктуре стали. Микроструктура описывает расположение чрезвычайно мелких кристаллов и других внутренних компонентов материала.
Эту структуру нельзя увидеть невооруженным глазом, но она оказывает большое влияние на свойства стали. Это влияет на такие характеристики, как прочность, твердость, ударная вязкость и устойчивость к износу.
Микроструктура меняется при нагревании, охлаждении и механической обработке стали. Таким образом, два куска стали с одинаковым химическим составом могут приобретать разные свойства в зависимости от того, как с ними обращаются во время производства.
Если CITRUS сможет точно предсказать эти изменения, его ценность может выйти за рамки экономии энергии. Эта технология может также способствовать разработке новых марок стали, устранению неполадок на производстве и контролю качества.
Промышленная эффективность еще не продемонстрирована
Обещание результатов в течение нескольких секунд остается заявлением MatAlytics о производительности. Новый проект должен продемонстрировать, может ли система также производить достаточно точные и надежные прогнозы в действующей среде производства стали.
Модель ИИ во многом зависит от информации, используемой во время обучения. Если он столкнется с маркой стали, печью или производственным процессом, которые существенно отличаются от учебных примеров, его расчеты могут стать менее надежными.
Данные завода также должны быть точными. Неправильные показания температуры или неполная информация о размере и составе стали могут привести к неподходящим рекомендациям.
Поэтому одной скорости недостаточно. Инженеры должны быть в состоянии определить, когда результат надежен, а когда его необходимо проверить с помощью традиционных расчетов или физических испытаний.
Четкие процедуры безопасности и ответственности также потребуются, если программное обеспечение будет подключено к управлению печью. Заводу необходимо будет установить, кто рассматривает рекомендации и кто принимает окончательное производственное решение.
Интеграция представляет собой еще одну проблему. Показания датчиков необходимо собирать, систематизировать и передавать в модель в правильном контексте. Его результаты должны стать частью существующих операционных процедур, а не оставаться на отдельном экране, который сотрудники редко используют.
Возможная экономия также будет зависеть от гибкости каждого завода. Более быстрый расчет не может снизить потребление энергии, если печь, график производства или прокатный стан не могут реагировать на рекомендуемые изменения.
MatAlytics также определяет возможные применения в производстве электроэнергии, ядерных и термоядерных установках, водородной инфраструктуре, аэрокосмической отрасли, автомобильном производстве и обороне. Эти отрасли сталкиваются с одинаковыми требованиями, чтобы понять, как материалы и конструкции реагируют на тепло, давление и механическое напряжение.
Теперь проект должен выяснить, может ли основанный на физике ИИ выполнять более быстрые и технически впечатляющие вычисления. Его промышленная ценность в конечном итоге будет зависеть от того, сможет ли он обеспечить измеримую экономию энергии при сохранении стабильного качества стали и безопасной эксплуатации предприятия.
Источники: MatAlytics, Innovate UK, Институт материалов, минералов и горного дела и Industrial News.