L’efficienza energetica è un fattore chiave per la sostenibilità di ogni settore produttivo, considerando la “sostenibilità” nel suo significato complessivo, che comprende le dimensioni ambientale, economica e sociale. Anche l’efficienza energetica in sé è un concetto complesso, che include non solo la minimizzazione dei consumi complessivi, ma anche una loro “ottimizzazione”. In parole povere, essere energeticamente efficiente per un’industria comprende sia consumare il meno possibile che distribuire il consumo in una maniera “intelligente”, ossia evitando sprechi e “picchi” di consumo, che possono incidere sensibilmente sui costi anche a parità di consumo medio, e consumando di più nei momenti in cui l’energia è maggiormente disponibile e/o costa meno, perché, ad esempio, autonomamente prodotta in qualche forma dall’azienda stessa.

L’Intelligenza Artificiale può fornire strumenti molto validi a supporto dell’efficienza energetica delle industrie. L’inarrestabile progresso della digitalizzazione dei processi produttivi consente oggi la raccolta di impressionanti volumi di dati relativi a molteplici aspetti, fra i quali i consumi e tutti i fattori che li determinano. L’applicazione di strumenti di machine learning per l’analisi di tali dati permette di identificare precocemente anomalie e di identificarne le cause, consentendo una più rapida soluzione dei problemi connessi a tali anomalie. Inoltre, l’Intelligenza Artificiale fornisce strumenti, quali, ad esempio, le reti neurali, per lo sviluppo di modelli olistici, flessibili e adattabili, per predire i consumi di ogni sotto-processo e ricavare un quadro complessivo del profilo di consumo dell’intera catena produttiva. Lo stesso vale per le fonti di energia disponibili in azienda. Avere un quadro dei fabbisogni e delle disponibilità energetiche consente di armonizzarli al meglio. Anche su questo aspetto l’Intelligenza Artificiale può fornire una ampia gamma di strumenti di ottimizzazione capaci di considerare più obiettivi, ossia di trovare il compromesso ottimo fra esigenze anche contrastanti, quali, ad esempio, riduzione dei costi, riduzione delle emissioni, riduzione dei tempi di produzione, conseguimento di determinati obiettivi produttivi. Un affascinante esempio di tali metodi di ottimizzazione è fornito dagli algoritmi evolutivi e dagli approcci cosiddetti bio-inspired, che imitano i meccanismi dell’evoluzione biologica o il comportamento di collettività di esseri viventi (api, formiche, branchi di pesci, stormi di uccelli, etc.).

A titolo di esempio pratico, può essere menzionato un filone di ricerca molto attivo presso l’Istituto TeCIP della Scuola Superiore Sant’Anna, che riguarda l’industria siderurgica, un settore altamente energivoro e, pertanto, naturalmente vocato ad investire sforzi considerevoli per migliorare la propria efficienza energetica. In particolare, consideriamo la gestione dei gas di processo nelle acciaierie a ciclo integrale, che producono acciaio dalle materie prime vergini, principalmente minerale di ferro e carbone. TeCIP ha ricevuto finanziamenti Europei per ben 3 progetti incentrati su questo tema, in partnership con importanti aziende ed enti di ricerca del settore, e per due di essi io sono anche coordinatore a livello Europeo.

I gas prodotti da alcuni sotto-processi del ciclo siderurgico integrale hanno un potere calorifico tale da poter essere riutilizzati internamente per produrre energia elettrica o termica. Nell’acciaieria sono prodotti vari tipi di gas con caratteristiche diverse e variabili nel tempo. Per alcuni di questi la produzione è spesso discontinua, pertanto sono presenti anche gasometri per accumulare i gas quando sono prodotti in eccesso rispetto al fabbisogno e utilizzarli successivamente, anche se la rete interna di distribuzione dei gas può porre dei vincoli al riutilizzo. Tali gas, generalmente, non soddisfano completamente il fabbisogno interno, che viene pertanto coperto tramite il Gas Naturale, con evidenti costi e possibili criticità di approvvigionamento, specie se si considerano gli odierni scenari. La incapacità di predire la produzione (in termini quantitativi e qualitativi) dei gas di processo ed i fabbisogni dei processi consumatori può portare a saturare i gasometri, con conseguente necessità di rallentare la produzione per evitare gli sfiori in torcia, o ad avere carenze improvvise che devono essere compensate tramite il gas naturale. Tramite l’impiego di reti neurali è possibile sviluppare modelli che sono in grado di predire su un orizzonte temporale di alcune ore le produzioni ed i fabbisogni dei gas di processo. Tali modelli vengono usati nell’ambito di una sofisticata strategia di ottimizzazione che stabilisce la distribuzione ottimale dei gas nel medesimo orizzonte temporale, in maniera da minimizzare i consumi, evitando la saturazione dei gasometri.

Le ricerche attualmente in corso presso la Scuola non considerano solo i tradizionali processi per la produzione dell’acciaio basati sull’altoforno, ma anche processi innovativi basati sull’impiego dell’idrogeno, quali il processo di riduzione diretta del minerale di ferro (DRI). Un’ulteriore opportunità che viene considerata per utilizzare i gas di processo è rappresentata da processi di sintesi per la produzione di metano e metanolo. In questo caso il gas, che viene usato per il suo contenuto “chimico” e non energetico, necessita di essere arricchito con idrogeno e viene trasformato in prodotti di alto valore aggiunto, che possono essere stoccati o venduti. Ovviamente, occorre considerare il consistente consumo energetico richiesto per la produzione di idrogeno, ma tale produzione può essere discontinua e può essere realizzata sfruttando energie rinnovabili, con benefici ambientali oltre che economici. Servono dunque modelli efficienti e flessibili anche in questo campo ed il problema di ottimizzazione diventa ancora più complesso, ma il problema è comunque affrontabile con i potenti strumenti offerti dall’Intelligenza Artificiale e dal controllo avanzato.

Altre analoghe attività di ricerca condotte da TeCIP ed altri partner europei sotto il mio coordinamento e relative alla ottimizzazione dei consumi energetici del ciclo siderurgico elettrico, ossia quello che produce l’acciaio fondendo il rottame, possono essere portate ad esempio.

Questi casi studio dimostrano come l’intelligenza artificiale può essere un valido alleato delle aziende nel miglioramento dell’efficienza energetica. Va inoltre sottolineato come questi strumenti debbano essere accompagnati da adeguate interfacce che ne consentano un uso facile da parte degli operatori e dei manager di impianto e, possibilmente, anche da percorsi formativi che aiutino gli utenti finali a comprendere e sfruttare al meglio le potenzialità di queste tecnologie. L’Intelligenza Artificiale, insomma, potenzia le capacità decisionali umane, non le rimpiazza: consente di estrarre informazione e conoscenza dai dati grezzi, alleviando il lavoro di analisi più pedissequo e lasciando all’utente più tempo per fare ciò che all’uomo riesce meglio, ossia prendere decisioni strategiche, effettuare scelte fondamentali che ci conducano ad un futuro prospero e rispettoso dell’ambiente e del pianeta.