Tecnologia

Energia e intelligenza artificiale, quali interazioni possibili – II parte

L’AI 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.

19 Apr 2022

Cosma Rizzi

Direttore MA&RC ECM Ltd.

In un altro articolo abbiamo visto come l’intelligenza artificiale può avere un ruolo in fase di estrazione e produzione dell’energia. Ci occupiamo ora di trasformazione e immagazzinamento, di trasporto e consumo dell’energia.

Trasformazione e immagazzinamento dell’energia

Si tratta di fasi sempre necessarie ed esistenti, solo in qualche rarissimo caso possono non esserci, come ad esempio la dinamo attaccata alla ruota della bicicletta che alimenta direttamente la lampadina del faro della bicicletta stessa.

WHITEPAPER
Energia rinnovabile: il mercato e il panorama degli incentivi per l’eolico
Utility/Energy
Energie Rinnovabili

Grandi energie necessitano sempre di una fase di trasformazione e immagazzinamento per renderle usufruibili in modo controllato. Trasformatori delle centrali elettriche, batterie di accumulatori, serbatoi, magazzini, rigassificatori sono tutti elementi di questa fase.

Anche qui come nella fase precedente lo scopo ultimo è che l’energia sia stabile e usufruibile/trasportabile secondo le nostre necessità e che non vi sia perdita ovvero trasformazione involontaria in altre forme non più utilizzabili per i nostri scopi.

La trasformazione essendo un processo molto simile a quello della produzione, può beneficiare degli stessi vantaggi di applicabilità degli strumenti di AI.

Un esempio è la trasformazione del gas naturale GN a gas naturale liquefatto GNL, processo basato sulla liquefazione attraverso raffreddamento a -160°. Il gas naturale in forma gassosa viene trasformato in forma liquida per essere immagazzinato e trasportato più facilmente infatti nella forma liquida il suo volume è 600 volte meno. Dopo il trasporto questo viene ritrasformato in forma gassosa nei rigassificatori.

In questo caso un impianto di liquefazione supportato da strumenti di AI avanzati, può aumentare la sua efficienza in virtù della capacità di prevedere l’impatto di eventuali elementi che accadono durante la lavorazione.

Questo è applicabile a tutti agli impianti di processo chimico, che volendo sempre semplificare sono conglomerati di sistemi che riescono ad alzare o abbassare temperature e pressioni e unire o dividere elementi per trasformarli in altri elementi o in un’altra forma (come facciamo noi in cucina quando prepariamo il cibo: usiamo frigo e fornelli, pentole e contenitori, frullatori e miscelatori per trasformare e amalgamare).

Quindi la trasformazione deve essere poco costosa, sia riducendo lavorazioni ed elementi che la compongono, sia utilizzando meno energia possibile, sia riducendo al minimo lo spreco della energia che stiamo trasformando.

Perciò l’applicazione dell’Industry IoT e della AI avviene con la raccolta di più dati rilevanti possibili, analisi dei dati in relazione anche a quelli storici, ricerca di pattern di correlazione, formulazione di ipotesi di comportamento e validazione di queste per correggere le future ipotesi.

Una applicazione importante della AI in ambito industriale e quindi anche in ambito di trasformazione della energia è la manutenzione predittiva, ovvero interpretare i dati dell’impianto di trasformazione (o anche di estrazione / produzione per la fase precedente) per ipotizzare se occorre compiere delle attività di manutenzione su parti dell’impianto prima che questo presenti dei problemi o guasti.

energia AI

Alcuni esempi di applicazione delle tecnologie alla trasformazione dell’energia

Un noto produttore del nord Europa di cuscinetti a sfere sta pianificando l’installazione nelle proprie fabbriche e in quelle dei propri clienti di sensori di vibrazione (circa 40 milioni). La raccolta dei dati inerenti alle vibrazioni generate dall’impianto e le correlazioni con pattern di dati e di eventi storici possono indicare dove operare prima che una parte dell’impianto si guasti, con evidente riduzione di costi e impatti sulla produzione.

Pensiamo ad esempio a un impianto di liquefazione da GN a GNL in cui la nostra piattaforma di AI ci informa che al 90% una colonna di raffreddamento sta per guastarsi, questo perché dalla tipologia dei dati di vibrazione raccolti su una pompa di circolazione del liquido congelante è simile al pattern che si presenta prima di un guasto dell’albero rotante della pompa. Avremo perciò tutto il tempo necessario per programmare l’intervento, richiedendo l’invio della parte presumibilmente da sostituire, e poi deviando il carico di lavoro su un altro impianto o in orari non di produzione. Rispetto a un guasto inaspettato la manutenzione predittiva porta indubbi vantaggi economici grazie alla riduzione del fermo dell’impianto produttivo al minimo possibile, che si unisce anche al minor costo dovuto all’azzeramento delle perdite di materiale/energia che potrebbe avvenire durante il guasto (nel nostro esempio il dover scaricare e disperdere tutto il GN che è nella colonna di raffreddamento durante il guasto), e non per ultimo riducendo rischi e costi causati da incidenti.

L’immagazzinamento dell’energia

Nel tema immagazzinamento si trovano elementi di grande interesse soprattutto perché correlati alla ecosostenibilità, difatti poter “trattenere” energia per usarla quando serve è il primo passo per evitarne lo spreco in generale.

Soprattutto nel campo della produzione di energia elettrica attraverso fonti rinnovabili come quelle solari, eoliche e idroelettriche, la discontinuità nella produzione di energia necessità di immagazzinare l’energia e trasportarla quando necessario.

I sistemi avanzati di AI vengono applicati sia su grandi realtà produttive e distributive sia su realtà più ridotte.

Nella prima categoria ricadono tutti i sistemi di AI che sovraintendono alla corretta distribuzione di grandi reti elettriche dette Electrical Grid.

Negli ultimi 20 anni è nata l’incredibile possibilità di diffondere massivamente l’autoproduzione dell’energia elettrica (principalmente attraverso l’installazione di pannelli solari su abitazioni), che da un lato ha reso più ecosostenibile il nostro mondo, ma anche più complessa la gestione del grid; difatti, questi “mini-produttori” di energia possono introdurre parte della energia prodotta sulla rete principale (quindi non sono solo utilizzatori della rete, ma produttori per se stessi ed anche fornitori).

Possiamo quindi immaginare la complessità che affronta un gestore di energia elettrica nell’introdurre in modo controllato e ponderato l’energia proveniente da fonti primarie e da quelle dei piccoli produttori (e anche mantenere la corretta “contabilità” del dare/avere in un mix così variegato).

Anche qui i sistemi di AI possono aiutarci sia nel “capire” se vi sono aree di miglioramento nella fase di immagazzinamento/rilascio della energia sia prevedere quando immagazzinare e quando rilasciare l’energia.

Tra i metodi di immagazzinamento di energia vi sono tra i più antichi i bacini delle dighe idroelettriche, i magazzini di GNL, i depositi di idrocarburi (liquidi e solidi), le batterie ricaricabili ed alcuni metodi molto moderni basati sull’immagazzinamento di energia potenziale attraverso masse mobili sospese pilotate da sistemi di AI (si veda www.energyvault.com ad esempio).

Tutti questi sistemi di immagazzinamento/rilascio hanno tre fattori da tenere in considerazione e sotto controllo:

  1. il loro rendimento: ovvero la percentuale di energia rilasciata rispetto a quella immagazzinata, è chiaro che un magazzino di carbone si avvicina al 100% difatti per 1 t di carbone stoccato ne può poi ottenere quasi 1 t (a parte un po’ di residuo perso qua e là), ma una batteria ricaricabile sia aggira sull’80%;
  2. la loro durata nel tempo: un magazzino di carbone è pressoché eterno ma una batteria ricaricabile sappiamo che hanno un numero di cicli di carica e scarica imitati nel tempo (dovuti alla trasformazione delle componenti chimiche che compongono la batteria);
  3. il loro costo sia iniziale di predisposizione sia di manutenzione: costruire un bacino artificiale per una diga idroelettrica ha un costo elevato ma il suo costo di manutenzione è decisamente ridotto, una batteria di accumulatori può costare relativamente poco rispetto al costo dell’intero impianto di produzione a pannelli solari, ma le batterie devono essere sostituite molto spesso durante la vita dell’impianto.

Come detto in precedenza la tendenza è di disporre di un mix di sistemi diversi di immagazzinamento/rilascio da utilizzare in modo diverso in virtù delle modifiche che avvengono nella fase produzione della energia, oppure ancora in modo più interessante in virtù di previsioni sulla variazione della produzione che un sistema di AI avanzato ci può fornire. Prevedere una stagione molto piovosa può aiutarci ad indirizzare le risorse economiche verso impianti idroelettrici e se molto ventosa verso impianti eolici; non a caso importanti società di Information Technologies hanno acquistato quote importanti di società di raccolta e trattamento dai meteorologici, in modo da applicare sistemi di AI a tali dati e vendere il servizio previsionale a diversi operatori: energia, logistica, agricoltura, healthcare. Ad esempio, se ho una rete di trasporto di carbone per le mie centrali termoelettriche basata su mezzi stradali, il sapere in anticipo che vi saranno grandi inondazioni in una regione in cui transito può permettermi di cambiare strategia e subire un minimo impatto sul mio business.

energia AI

AI nella fase di trasporto

Come spiegato nei paragrafi precedenti, il tema è sempre massimizzare la quantità di energia che arriva alla fase di utilizzo rispetto alla energia prodotta, e in questa fase anche il trasporto ha la sua importanza. I fattori principali da tenere sotto controllo sono:

  1. il rendimento: quanta energia la fase di trasporto disperde
  2. il costo: quanto costa la fase di trasporto
  3. l’affidabilità: quanto sono certo che la fase di trasporto sia costantemente efficiente.

Come abbiamo già visto, alcune tipologie di fasi di trasporto sono fasi accomunabili alla logistica: per portare carbone dalla miniera alla centrale termoelettrica si hanno gli stessi problemi di come portare il minerale di ossido di calcio dalla miniera alla fabbrica di cemento. In questi casi, come nella logistica, è determinante poter conoscere, analizzare e in alcuni casi prevedere fattori quali l’aumento dei costi del carburante, del costo del lavoro, eventi meteorologici avversi, fattori geopolitici. L’esempio dell’impiego della AI alla meteorologia è molto calzante ma anche l’impiego della AI nella Sentiment Analysis può aiutare a capire per tempo fenomeni che sfoceranno in proteste, scioperi, tumulti e quindi potranno impattare sulla fase di trasporto.

In altri tipi di fase di trasporto vi sono fattori meno logistici e più tecnologici e/o fisici che influenzano il rendimento, il costo e l’affidabilità; ad esempio, nella costruzione e utilizzo di un elettrodotto, i conduttori impiegati (ritorniamo al nostro professor Joule e al suo effetto di dissipazione di calore) e la dislocazione dei tralicci influenzano in modo più evidente il rendimento e il costo dell’impianto. Sappiamo però che tali impianti sono molto efficienti, infatti una l’energia elettrica prodotta da una centrale arriva per circa il 90% alla utenza domestica e i costi di manutenzione di un elettrodotto sono molto bassi.

Altri tipi di trasporto come i gasdotti o gli oleodotti hanno invece problematiche differenti che influenzano il loro rendimento e i costi: sono molto alti quelli costruttivi e di manutenzione (dovuti soprattutto alla sicurezza che deve essere assicurata per questo tipo di trasporto). Inoltre, a differenza degli elettrodotti, hanno costi di funzionamento dati dalle stazioni di pompaggio (il gas e il petrolio vanno “spinti” nel gasdotto e nell’oleodotto a una pressione costante, quindi vi possono essere anche più stazioni lungo il tragitto).

Per i motivi indicati, gli strumenti avanzati di AI sono di successo in quanto “apprendono” costantemente dalle analisi e dai riscontri in cui operano; quindi, non c’è da stupirsi che queste piattaforme si specializzino sempre di più man mano che vengono impiegate, e non solo nel proprio dominio di operatività (ad esempio la logistica del trasporto su ruote) ma anche per quel determinato caso d’uso specifico (il trasporto su ruote del carbone nella regione del Queensland Australia).

AI nella fase di utilizzo / consumo

Siamo giunti quindi alla ultima fase semplificata ovvero l’utilizzo / consumo dell’energia; il gas è stato estratto in forma gassosa, trasformato in forma liquida, trasportato via nave, ritrasformato in forma gassosa e arriva alla nostra caldaia di casa o al forno di fusione per l’industria del vetro.

Così come l’energia elettrica è stata prodotta dall’alternatore dalla pala eolica, trasferita alla batteria di accumulatori, innalzata di tensione nella centrale elettrica, trasferita dall’elettrodotto ad alta tensione, ridotta di tensione nella centrale elettrica e distribuita alla rete di utilizzo domestico per far funzionare il mio frullatore o distribuita alla rete di utilizzo industriale per fare funzionare i congelatori per l’abbattimento degli alimenti della industria alimentare.

Anche nella fase di utilizzo / consumo la riduzione degli sprechi e l’aumento del rendimento giocano un ruolo fondamentale nella prospettiva ecologica ed economica del sistema complessivo.

Come utilizzatore domestico non terrò accesa l’aria condizionata con le finestre aperte in estate, e come utilizzatore industriale terrò accesi costantemente gli estrattori di fumi del reparto verniciatura se la produzione, ad esempio, di notte è inattiva.

Ma il buon senso e la conoscenza della propria industry non bastano; difatti, mentre in ambito domestico gli elementi e le variabili da tenere sotto controllo non sono molte, ad esempio sappiamo che tutti gli “elettrodomestici” che producono calore basandosi sull’effetto Joule (ovvero in virtù della resistenza che presenta un conduttore all’attraversamento della corrente elettrica), si basano sul quadrato della corrente elettrica quindi, sono di per sé degli elettrodomestici energivori, mentre elettrodomestici basati su effetto di compressione/decompressione dei gas come i frigoriferi e i condizionatori lo sono meno. Nell’ambito industriale le variabili invece sono molte e l’interazione tra queste e le necessita produttive sono tantissime: tipologia di utilizzatore, tecnologia su cui si basa, capacità produttiva, manutenzione adeguata, obsolescenza/modernità e altro.

energia AI

L’applicazione degli strumenti di AI in ambito industriale

Gli strumenti di AI sono quindi stati dapprima applicati all’ambito industriale, che con l’evoluzione dell’Industry IoT sono riusciti a fornire indicazioni molto utili sulle correlazioni tra le variabili in gioco e permettere ottimizzazioni nel consumo dell’energia e con l’evoluzione delle piattaforme stesse di AI ora sono in grado di fornire anche previsioni sul miglior utilizzo della energia nel processo industriale. Citiamo ad esempio l’analisi e la previsione del consumo di una catena di produzione che può avere fasi di lavorazione sequenziali e/o parallele combinabili in modo diverso, è meno energivoro nel suo complesso utilizzare una singola stazione di verniciatura e verniciare in sequenza ogni telaio dell’automobile che produco, per poi farlo asciugare singolarmente nel forno oppure utilizzare più stazioni di verniciatura in parallelo e un forno di asciugatura più grande che ospiti più telai in contemporanea? Sino a pochi decenni fa questo calcolo sarebbe stato fatto in fase di allestimento della catena di produzione basandosi su calcoli molto complessi ma in parte statici e con riscontri statistici postumi all’avvio della produzione.

Con l’avvento dell’Industry IoT e della AI, e alla evoluzione anche degli strumenti industriali (come, ad esempio, robot di verniciatura adattabili a più esigenze e tipologie di verniciatura), ora è possibile avere un riscontro in tempo reale di cosa avviene nella nostra catena produttiva e capire se vi sono anomalie in atto e/o migliorie apportabili, ed anche avere dati di previsione su possibili eventi in fase di accadimento o su scenari che vorremmo adottare modificando i processi lavorativi attuali.

Anche in ambito domestico si sono fatti passi avanti grazie alla domotica, all’IoT e alla integrazione con strumenti di AI, ad esempio vi sono piattaforme di domotica che sono in grado di analizzare il comportamento degli abitanti di una casa in base alle attività e ai consumi, e utilizzare al meglio l’energia applicando scenari opportuni; se esco alle 8 e rientro dal lavoro ogni giorno alle 19 la piattaforma accenderà la caldaia o il condizionatore prima del mio arrivo a casa e terrà spento durante la mia assenza, ma la piattaforma sarà in grado anche di adattare le sue scelte anche ai giorni della settimana o ai festivi, il sabato uscirò alle 10 invece che alle 8 e rientrerò in estate la domenica sera perché sono stato al mare quindi l’impianto di condizionamento rimarrà al spento il sabato, al minimo la domenica mattina e inizierà il ciclo di raggiungimento della temperatura ideale nel tardo pomeriggio.

L’AI non solo come strumento per l’azienda ma come asset

Nei paragrafi precedenti abbiamo visto come le moderne piattaforme di AI siano in grado di apprendere e specializzarsi e diventare sempre più esperte nel loro dominio di azione. Questo rende tali piattaforme dei veri e propri asset per l’azienda che li utilizza il cui valore aumenta progressivamente nel tempo in quanto in grado di portare sempre maggiori benefici economici.

Un tema molto controverso e interessante è l’impiego della conoscenza acquisita dai sistemi di AI ai fini commerciali, l’azienda che produce bicchieri di vetro ha interesse a vendere ad altri la conoscenza del proprio sistema di AI in questo specifico campo produttivo? Oppure l’azienda considera questa conoscenza una forma di proprietà intellettuale da proteggere, in quanto dà un vantaggio competitivo rispetto alla concorrenza, e quindi non ha alcuna intenzione di venderla (anzi).

Vi è anche il fattore dei sistemi di AI basati su tecnologie e piattaforme commerciali che vengono erogati da multinazionali IT come Microsoft, Oracle, SAP, PTC, IBM, e produttori industriali come Siemens, GE, Hitachi.

Il punto critico è: chi è proprietario del know-how che la piattaforma andrà ad auto-creare? Chi ne ha il diritto di uso, sfruttamento, rivendita? Come possiamo contrattualizzare e normare la conoscenza e la crescita professionale di uno strumento di AI?

Il tema non è per nulla semplice; se potessimo paragonare la AI a un collaboratore di una società esterna che lavora per la nostra industria, a cui abbiamo fatto fare corsi professionali per accrescere il suo know-how nel nostro campo specifico, e che poi viene mandato dalla società esterna a lavorare da un nostro competitor, lo scenario sarebbe più semplice da prevenire in modo contrattuale.

Il gestore della soluzione di mappe del mio smartphone ottiene il diritto a sfruttare i miei dati nel momento in cui accetto le condizioni contrattuali di installazione della app, non posso contrattualizzate con lui in modo diverso e quindi può usare i dati ricavati dall’utilizzo della app a suo beneficio. Ma in caso di utilizzo di una AI in ambito industriale non generico parliamo di una conoscenza che si arricchisce costantemente grazie all’uso che ne faccio nella mia industria e sui miei processi produttivi.

Lascio questo tema aperto alla discussione rimettendo al giudizio e all’esperienza dei legali che si occupano di diritto della proprietà intellettuale e del software.

Conclusioni

In merito all’argomento AI ed energia abbiamo visto che il processo che sovraintende qualsiasi ciclo energetico può essere sintetizzato in una serie di fasi:

  1. estrazione / produzione
  2. trasformazione / immagazzinamento
  3. trasporto
  4. trasformazione / immagazzinamento
  5. utilizzo / consumo

Molto spesso le fasi sono concatenate a un ciclo analogo in cui l’energia è derivata un’altra forma di energia.

In ogni fase vi sono però dei temi comuni in cui le moderne piattaforme di AI si rivelano molto utili:

  1. il controllo e la massimizzazione del rendimento, ovvero tendere a che il bilancio della energia in ingresso rispetto a quella in uscita dalla fase sia il più vicino possibile al 100% ovvero che la quantità di energia rimanga inalterata e non subisca perdite, dissipazioni, trasformazioni non volute in altre forme di energia (come, ad esempio, la dispersione in calore);
  2. il controllo e la minimizzazione dei costi, ovvero che il costo necessario a compiere ogni fase sia il minimo possibile in quanto va a erodere il margine economico del processo;
  3. l’innalzamento dell’affidabilità della fase, ovvero mantenere la fase in perfetta efficienza riducendo o azzerando i fermi e i guasti.

Le piattaforme di AI sono in grado di apprendere e specializzarsi e diventare sempre più esperte nel loro dominio di azione (autoapprendimento), fornendo non solo analisi basate su correlazioni di eventi storici e eventi in accadimento (real time), ma fornendo anche previsioni di impatto di eventi in divenire e su simulazione di eventi.

Questo rende tali piattaforme dei veri e propri asset per l’azienda che li utilizza il cui valore aumenta progressivamente nel tempo in quanto in grado di portare sempre maggiori benefici economici.

Questa forma di autoapprendimento e specializzazione pone però la base per difficili controversie legali in merito a chi appartiene il know-how di una AI la cui specializzazione è in continua evoluzione.

Il tema della proprietà di questo know-how va a determinare chi può beneficiare della sua vendita e sfruttamento, ora e nel futuro.

L’AI abbinata alla Industry IoT ha dato la possibilità di sfruttare sempre meglio le fonti rinnovabili di energia cercando di ridurre l’impatto sull’ecosistema in ogni fase del processo dalla estrazione / produzione sino all’utilizzo / consumo.

“La popolazione mondiale intorno al 2050 raggiungerà una cifra record tra gli 8,4 e i 10 miliardi di persone, con una distribuzione geografica concentrata per la maggior parte nelle latitudini medio-basse del nord. Allo stesso modo il PIL pro capite, dalla media globale del 2010 (9.763 dollari), arriverà a un valore compreso tra 18.000 e 42.000 dollari, e questo determinerà l’accesso all’energia di una quantità enorme di persone” (da Lightbox di Terna).

In un pianeta sempre più sovrappopolato con richieste sempre maggiori di energia, il corretto utilizzo e sfruttamento di ogni fonte energetica è un tema di vitale importanza per la sopravvivenza del genere umano, e le importanti azioni legislative dei governi e l’applicazione di sempre più moderne soluzioni tecnologiche come l’IIoT e la AI sono strumenti inutili se non si raggiunge una coscienza collettiva improntata sulla eco sostenibilità che influenzi in modo positivo ogni scelta quotidiana, dalla più piccola personale come la riduzione dell’uso indiscriminato dell’auto o dei condizionatori, a quella su macro sistemi industriali come l’utilizzo di fonti rinnovabili e di materie riciclabili.

Evento in presenza
SAP NOW, 20 ottobre | Sostenibilità e innovazione per un ecosistema digitale che rispetta il pianeta
Cloud
Datacenter
@RIPRODUZIONE RISERVATA
R
Cosma Rizzi
Direttore MA&RC ECM Ltd.
Argomenti trattati

Approfondimenti

D
digitalizzazione
I
Intelligenza Artificiale

Articolo 1 di 5