AI nelle fonderie di alluminio: una necessità per proteggere i margini

L’industria dell’alluminio primario non sta cercando nell’intelligenza artificiale una nuova moda da convegno. Sta cercando margini ,dove i margini si sono assottigliati fino a diventare una questione di sopravvivenza industriale. Prezzi dell’allumina instabili, investimenti richiesti dalla transizione energetica e regimi di costo del carbonio come il CBAM dell’Unione Europea stanno schiacciando una filiera già esposta alla volatilità dei prezzi dell’energia. Nel cuore del processo produttivo di alluminio primario c'è ancora la vecchia elettrolisi Hall-Héroult, con allumina disciolta in criolite fusa, attorno a 980 °C, e una corrente enorme che separa il metallo usando anodi di carbonio consumabili. Il minimo termodinamico teorico è circa 6,2 kWh per chilogrammo, ma le perdite nella vasca, nei conduttori e agli elettrodi portano normalmente il fabbisogno industriale fra 13,5 e 15,0 kWh per chilogrammo. Di conseguenza, l’elettricità incide per circa il 35% sul costo di produzione e qui si capisce perché qualche decimale di efficienza è così importante. La cella elettrolitica come campo di battaglia In una potline (linee di celle elettrolitiche), una cella fuori equilibrio non resta quasi mai un problema locale. Può alterare l’andamento della linea, alzare la tensione e favorire l’anode effect, con emissioni di perfluorocarburi come CF₄ e C₂F₆. L’efficienza di un impianto di questo tipo è quindi il risultato di migliaia di deviazioni da contenere ogni giorno. Per questo gli impianti più avanzati stanno guardando oltre i modelli tradizionali, quelli che producono un allarme ma non spiegano al tecnico il perché dell'anomalia lungo la linea. Infatti, nel caso dei sistemi di controllo di processo con intelligenza artificiale, l’Explainable AI ha il pregio di informare gli ingegneri della produzione con una catena causale verificabile, invece di chiedergli di credere ciecamente ad un algoritmo. Il caso della filiale di Chalco Guizhou (Cina), su celle da 230 kA, mostra quanto questa distinzione possa pesare. Un sistema diagnostico esperto, basato su rappresentazione ibrida della conoscenza e collegato via OPC UA e Modbus TCP, ha ottenuto il 94,2% di accuratezza diagnostica; in sei mesi ha mantenuto risparmi energetici pari a 137 kWh/t e ridotto del 32,5% la frequenza degli effetti anodici. Il beneficio annuo complessivo dichiarato è stato di 333.714 CNY per cella, con ritorno dell’investimento in 2 mesi e mezzo. Vedere i difetti prima del fermo L’AI non lavora soltanto sul bagno elettrolitico. Sta entrando anche nella gestione degli anodi, un’area dove le inefficienze meccaniche producono costi significativi. Un’asta anodica con difetti geometrici può bloccare l’assemblaggio e sottrarre tempo utile alla produzione. Modelli di deep learning come Fast R-CNN permettono di riconoscere simultaneamente difetti di forma appartenenti a classi differenti, quasi in tempo reale. Il vantaggio non è sostituire un ispettore con una telecamera, ma rendere sistematico un controllo che altrimenti resta intermittente e soggettivo. Anche nella colata, l’automazione sta passando dalle promesse alla realtà. Il centro tecnologico di RUSAL ha sviluppato un sistema di visione artificiale e reti neurali per analizzare la microstruttura delle billette, incluse quelle in lega 6xxx destinate all’estrusione. L’analisi, che richiedeva da un’ora e mezza fino a quattro ore, viene restituita in 15 minuti su otto parametri microstrutturali. Sensori, dati e ambiente ostile Anche il migliore degli algoritmi non serve però a molto se i dati che lo alimentano sono degradati, intermittenti o semplicemente impossibili da acquisire. In una fonderia di alluminio, le sovrastrutture possono raggiungere 70 °C e, vicino alle sbarre anodiche, i campi magnetici superano gli 800 Gauss. In queste condizioni, il problema non è addestrare un modello di AI, ma far sopravvivere i dati in un ambiente fisico tanto estremo. I sensori tradizionali cablati soffrono l’interferenza elettromagnetica proprio nei punti dove servirebbero informazioni affidabili. Le fibre ottiche distribuite, o DOFS, affrontano il problema usando la luce invece del segnale elettrico. Integrando i dati delle fibre con modelli di apprendimento combinato, fra cui CatBoost, LightGBM e Random Forest, è possibile monitorare la temperatura delle barre catodiche con un margine d’errore inferiore a 2,1 °C. L’obiettivo è intercettare incrementi anomali prima che una perdita di metallo o un danno refrattario diventino un evento critico, come fa il sistema indicato che riduce dell’85% il tempo di preallarme rispetto alle ispezioni manuali. Dalla singola cella alla fabbrica connessa Ma la vera partita si gioca quando controllo di processo, manutenzione, qualità e consumi diventano integrati per costruire una raccolta dati continua che renda efficace il legame tra output produttivo e consumo energetico. Nel caso per esempio di Emirates Global Aluminium, sono stati implementati oltre 80 casi d’uso personalizzati di intelligenza artificiale, con oltre 123 milioni di dollari di valore generato. Certamente l’industria dell’alluminio non può permettersi di attendere una soluzione perfetta, così come non deve scambiare l’automazione per la certezza di margini economici automatici. Tuttavia, il sistema operativo di una fonderia sarà sempre più digitale nei prossimi anni, anche se dovrà ancora restare saldamente ancorato alla metallurgia, alla manutenzione e alle persone che tengono in equilibrio tutto il sistema. METALLIRARI.COM © ALL RIGHTS RESERVED