Energia e intelligenza artificiale, quali interazioni possibili – I parte

Quando pensiamo all’energia, nella sua accezione meno scientifica ma più di uso quotidiano, possiamo accomunare a quasi tutte le sue forme le seguenti fasi: produzione, trasporto e utilizzo. Questo vale sia per l’energia elettrica per le nostre case, o al carburante per i nostri mezzi di trasporto, o al gas per i nostri riscaldamenti. Ma anche in campo produttivo e industriale, qualsiasi sia la forma di energia a cui ci riferiamo: elettrica, chimica o gassosa, alla fine il processo produzione-trasporto-utilizzo rimane molto simile. In questo processo l’intelligenza artificiale è diventata uno strumento indispensabile che può aumentare l’efficienza degli impianti produttivi attuali, ridurre gli sprechi nell’ambito del trasferimento e dell’utilizzo, favorire la trasformazione progressiva verso forme di generazione e distribuzione di energia più ecosostenibili.

Energia, variazioni dello stesso processo

Il processo che veicola l’energia dalla sua fonte al suo utilizzo può essere riassunto con una semplificazione per fasi (chiedo venia al professor James Prescott Joule e ai fisici che leggono questo articolo):

1. Estrazione / Produzione
2. Trasformazione / Immagazzinamento
3. Trasporto
4. Trasformazione / Immagazzinamento
5. Utilizzo / Consumo

Le fasi 2,3 e 4 possono ripetersi più volte sino ad arrivare alla fase 5. Le 1 fasi possono coincidere con la fase 4 per una forma di energia da cui viene derivata quella in oggetto. Prendiamo per esempio l’energia elettrica derivante da combustibile fossile come il carbone (due processi concatenati a. per il carbone e b. per l’energia elettrica):

1. Il carbone viene estratto dalle miniere o prodotto dal petrolio (fase 1.a)
2. Il carbone viene lavorato per essere nella forma più utile per il trasporto e l’immagazzinato (fase 2.a)
3. Il carbone viene trasportato alla centrale elettrica in forma di minerale via terra e/o via mare (fase 3.a)
4. Il carbone viene bruciato nelle caldaie della centrale elettrica e trasforma l’acqua in vapore, questo fa girare le turbine che azionano i generatori di energia elettrica (fase 4.a che coincide con la fase 1.b)
5. L’energia elettrica prodotta viene innalzata di tensione (fase 2.b)
6. L’energia elettrica ad alta tensione viene trasportata con gli elettrodotti alle centrali di trasformazione dei centri abitati (fase 3.b)
7. L’energia elettrica ad alta tensione viene trasformata in energia elettrica a bassa tensione (fase 4.b)
8. L’energia elettrica a bassa tensione viene distribuita nelle abitazioni del centro abitato tramite le linee di distribuzione (fase 3.b/bis)
9. L’energia elettrica viene utilizzata nella nostra casa (fase 5.b)

Possiamo perciò semplificare e razionalizzare ogni processo di utilizzo di una energia nelle sue fasi sopra indicate.

Il problema: la perdita di energia

Il problema principale sta nel fatto che, benché il primo principio della termodinamica (“L’energia interna di un sistema termodinamico isolato è costante”) ci dia un grande conforto sul fatto la quantità di energia rimane sempre la stessa nel nostro mondo conosciuto, questo ci da parecchio fastidio perché vorremmo che l’energia prodotta alla fase 1 arrivi alla fase 5 nella stessa quantità.

Purtroppo, questo non avviene, un esempio è quello che conosciamo bene in cui una parte della corrente elettrica prodotta e trasportata, viene dispersa in calore a causa della resistenza dei conduttori. Così come l’energia chimica di 1 lt di carburante viene dispersa per l’80% (ahimè) in calore nella combustione nei motori endotermici.

Quindi il problema da risolvere è come intervenire nel susseguirsi delle 5 fasi per evitare la trasformazione involontaria (e quindi dispersione) di una parte dell’energia.

Cosa ci aspettiamo dall’intelligenza artificiale

Si può sintetizzare che un sistema di AI a cui si tende dovrebbe:

• Agire in modo analogo a quanto fatto dagli esseri umani: il risultato dell’operazione compiuta dal sistema intelligente non è distinguibile da quella svolta da un umano.
• Pensare in modo analogo a quanto fatto dagli esseri umani: il processo che porta il sistema intelligente a risolvere un problema ricalca quello umano. Questo approccio è associato alle scienze cognitive.
• Pensare razionalmente: il processo che porta il sistema intelligente a risolvere un problema è un procedimento formale che si rifà alla logica.
• Agire razionalmente: il processo che porta il sistema intelligente a risolvere il problema è quello che gli permette di ottenere il miglior risultato atteso date le informazioni a disposizione.

Quindi da un sistema di AI ci aspettiamo che:

• possa interpretare una mole di dati eterogena e cercarne una correlazione che a noi sfugge
• prevedere l’andamento di un evento a fronte di un o più accadimenti,
• non ultimo, apprendere dagli eventi accaduti (con la validazione causa effetto) per diventare sempre più preciso e quindi esperto

È chiaro che tali sistemi possono essere incredibilmente potenti e adattabili a tutte le problematiche che possiamo affrontare nel tema dell’energia.

L’utilizzo dell’AI nella fase di estrazione / produzione dell’energia

La fase di estrazione di energia si riferisce principalmente alla raccolta di una materia naturale (petrolio, gas, legno etc.) dal loro sito di immagazzinamento naturale (giacimento, miniera, foresta etc.). Mentre la produzione si riferisce a un processo di trasformazione di uno o più sostanze in una materia che abbia le caratteristiche per essere impiegata per la successiva trasformazione in energia. In linea generale il metodo di creazione di energia più antico e semplice è la combustione, e quindi alla base di questo c’è la estrazione / produzione di sostanze solide o gassose combustibili. Questi materiali / prodotti immagazzinano l’energia chimica che attraverso la combustione porterà alla generazione di una forma di energia utile per gli scopi industriali e non industriali. Questi materiali / prodotti devono avere caratteristiche di maggior stabilità possibile, maggior rendimento possibile e sicurezza. Facendo un esempio la benzina è un carburante che viene ricavato dalla estrazione e lavorazione del petrolio ed è stabile nel suo stato, ha un ottimo rendimento quando produce combustione ed è reso il più sicuro possibile riducendone la possibilità di esplosione addizionandola con altre sostanze (ove possibile).

Altre forme di energia che utilizziamo come il vento, il moto ondoso e l’acqua che scorre impiegata nelle centrali idroelettriche, sono in effetti veicoli di una energia cinetica che il moto naturale di elementi come il vento e le correnti marine produce e che noi poi utilizziamo (vento e correnti marine sono solo due aspetti dello stesso fenomeno ovvero il trasferimento di energia termica da masse più calde a masse più fredde).

I punti critici nella fase di estrazione / produzione di energia sono:

• Impiegare meno energia possibile per estrarre / produrre l’energia stessa

Non dobbiamo stupirci che la lunga catena che conduce l’energia dalla fase 1 alla fase 5 porti in sé il rischio che l’energia impiegata per tutte le fasi sia in totale maggiore che quella usufruita. La complessità di questo tema è notevole, principalmente dovuta a una lunga catena di operazioni e operatori che non permette di avere una visione precisa. In alcuni casi però potrebbe essere (è ironico e triste in sé) scoprire che per portare 1 lt di benzina nel serbatoio della mia auto si sia impiegata una energia equivalente molto superiore a quella che mi darà questo litro di benzina.

L’unico modo che il buon senso ci suggerisce di adottare quando non abbiamo la possibilità di intervenire in maniera olistica su tutto il problema, è ottimizzare il più possibile ogni singola fase.

La AI ci consente di analizzare molti dati provenienti dai siti di estrazione e dai siti di produzione di energia e correlare questi per scoprire se vi sono aree di inefficienza e di miglioramento.

• Rendere il processo di estrazione / produzione il meno costoso possibile

Un processo di estrazione / produzione non è unico e immutabile, esistono differenti possibilità che vengono fornite da differenti tecnologie e queste vengono via a via rimpiazzate da altre più nuove ed efficienti. Il poter disporre di sistemi avanzati di AI che consentono al produttore scoprire la correlazione di dati complessi e poterli confrontare con la correlazione di dati di altri tipi di impianti, sicuramente fornisce un livello di conoscenza molto approfondito e costantemente aggiornato che può indicare quali processi siano più economicamente convenienti. L’estrazione e la produzione di fonti di energia sono temi molto complessi i cui scenari economici sono influenzati da moltissimi fattori. Tali fattori sono variabili e non sempre sotto controllo dell’estrattore / produttore (costo del lavoro, situazioni geo-politiche, situazioni climatiche, maggiore/minore richiesta di mercato, etc.).

Alcune volte il processo meno costoso è però meno redditizio in quanto magari è più lungo in termini temporali oppure con risultati qualitativi minori; quindi, non permette di sfruttare momenti e richieste di mercato molto specifici che porterebbero a una vendita a prezzi maggiori (e quindi a margini più alti).

Possiamo perciò renderci conto che costruire una sistema di simulazione basata solo su algoritmi di analisi statistica risulta pressoché impossibile e anche se lo fosse sarebbe poco affidabile. Per questo motivo vengono utilizzate piattaforme di AI avanzate che grazie alla loro capacità di autoapprendimento rendono sempre più affidabili le analisi e le previsioni per uno specifico contesto e scenario.

• Reperire / sfruttare al meglio le fonti naturali che sono alla base di questa fase

Sul tema di dove reperire e come sfruttare le fonti energetiche vi sono trattati che impilati sono alti come case di due piani, immaginate solo quanto si è investito nella ricerca e sfruttamento delle risorse petrolifere.

Ad esempio, tra i maggiori fruitori di sistemi di High Performance Computing ci sono proprio le società di ricerca e sfruttamento di risorse petrolifere che necessitano di risorse di calcolo enormi per i loro scenari di simulazione matematici.

Sicuramente i moderni mezzi di ricerca e analisi dello sfruttamento delle risorse naturali energetiche non possono fare a meno di strumenti di AI, difatti i dati di ricerca prima e di sfruttamento di giacimenti petroliferi, di gas naturale, di miniere di carbone, si basano su modelli di calcolo matematici molto sofisticati e strumenti previsionali basati completamente su AI.

Sebbene il tema del reperimento e miglior sfruttamento della risorsa sia ben conosciuto, è ancora poco esplorato il tema dello sfruttamento integrato di risorse differenti. Pensiamo ad esempio una società che estrae petrolio e anche gas naturale, ma che possiede anche componenti di produzione energetica di tipo rinnovabile (eolico o di moto marino), immaginiamo come questa supportata da piattaforme di AI possa indirizzare l’acquisto delle materie e della energia in base alla stagionalità, alla disponibilità o a fattori di marginalità. Questo permetterebbe di diversificare proprio l’intensità di sfruttamento di ogni singola fonte per aumentarne la durata, aumentare i margini della azienda e diminuire (ove possibile e ove si voglia) i costi per il cliente. Ad esempio, in inverno c’è maggior moto ondoso o eolico e quindi sfrutto di più la fonte rinnovabile concentrando invece il maggior sfruttamento dei pozzi petroliferi in estate.

Quali differenze comporta l’applicazione dell’AI

In generale nell’ultimo decennio lo sviluppo in campo IIoT (Industrial IoT) ha permesso di “inserire” in molte fasi dei processi produttivi e quindi anche quelli di estrazione / produzione elementi “intelligenti” che raccolgono una mole incredibile di dati e in alcuni casi la pre-elaborano (edge computing) inviandola poi a piattaforme di raccolta e analisi (data lake) molto spesso esistenti su architetture cloud.

Ciò che distingue la moderna applicazione della AI rispetto a una tradizionale applicazione di analisi statistica/matematica sui dati raccolti è basata su tre punti:

1. l’analisi e la ricerca di correlazione tra dati avvengono non solo sullo storico ma in real-time (o quasi real-time NRT);
2. il sistema continua a “imparare” diventando sempre più affidabile e preciso nel dominio specifico e nello scenario in cui opera, un po’ come gli esseri umani che imparano dal continuo processo analisi-ipotesi-verifica-correzione
3. i moderni sistemi di AI possono fornire anche scenari previsionali sull’impatto di eventi che stanno accadendo in real-time (o quasi real-time).

Facciamo un esempio: supponiamo di produrre benzina dalla raffinazione del petrolio, processo che in estrema semplificazione è un processo di distillazione.

I sensori della colonna di distillazione forniscono costantemente dati in tempo reale sulle temperature, le pressioni e la composizione della sostanza in transito. Uno o più sensori inviano dei dati su un incremento anomalo della temperatura in una area della colonna. A questo punto il nostro sistema di AI può fornirci alcune utili informazioni (in tempo quasi reale):

• in base ai dati storici e ai pattern di dati esistenti, correlati ai dati di pressione e composizione del materiale, si tratta realmente di una anomalia
• Con una percentuale di attendibilità indicata dal sistema, lo scenario a cui si andrà in contro è ad esempio una riduzione drastica di produzione di benzina dal lotto di petrolio introdotto, rispetto a quanto ottenuto di solito
• Sempre con una percentuale di attendibilità indicata dal sistema di AI, sono possibili alcuni scenari correttivi che se applicati possono portare alla correzione del problema ma con diversi gradi di impatto in termini economici, di tempi di produzione, di qualità ottenuta.