مهران ابراهیمیان؛ اتاق شفاف: هوش مصنوعی در صنعت فولاد ایران از مرحله معرفی و رونمایی پروژه‌ها عبور کرده و در برخی واحدها به کاربردهای عملیاتی رسیده است؛ با این حال، داده‌های عمومی و قابل‌مقایسه درباره اثر این پروژه‌ها بر هزینه تولید، مصرف انرژی، کیفیت محصول و سودآوری هنوز محدود است.

نمونه‌هایی در فولاد خراسان و فولاد شادگان گزارش شده‌اند. این موارد نشانه ورود کاربردهای تخصصی هوش مصنوعی به فرایند تولید هستند، اما برای داوری درباره بازده اقتصادی آنها باید مرحله استقرار، مدت بهره‌برداری، خط مبنا و شاخص‌های پیش و پس از اجرا روشن باشد.

در سال‌های اخیر، هوش مصنوعی از موضوعی تخصصی در محافل فناوری به یکی از محورهای گفت‌وگو در صنعت فولاد ایران تبدیل شده است. در بیست‌وششمین سمپوزیوم فولاد، در آبان ۱۴۰۳، سند تحول دیجیتال فولاد شادگان و نرم‌افزار AIronPAX معرفی شد. یک سال بعد نیز برپایی پاویون تخصصی هوش مصنوعی در بیست‌وهفتمین سمپوزیوم فولاد در دستور کار قرار گرفت.

نمونه‌های داخلی نشان می‌دهند هوش مصنوعی به برخی فرایندهای فولادی راه یافته است؛ اما بدون خط مبنا، سنجش مستمر و تفکیک اثر عوامل دیگر، نمی‌توان بازده اقتصادی پروژه‌ها را دقیق ارزیابی کرد

اصل استفاده از فناوری موضوع مناقشه نیستو برای گام اول هم قابل تقدیر است اما پرسش این است که آیا پروژه‌ها به کاهش هزینه، مصرف انرژی و توقف تجهیزات یا افزایش بازده تولید منجر شده‌اند؟ معرفی فناوری، امضای تفاهم‌نامه و استقرار عملیاتی، مرحله‌های متفاوتی هستند و نباید معادل یکدیگر در نظر گرفته شوند.

از موج معرفی تا سنجش نتیجه

بنا بر گزارشی که تجارت‌گردان درباره رونمایی AIronPAX منتشر کرد، این نرم‌افزار برای شبیه‌سازی واحد احیای مستقیم طراحی شده بود. سه قابلیت اصلی آن، پیش‌بینی کیفیت آهن اسفنجی، پیشنهاد پارامترهای قابل تنظیم برای بهبود کیفیت و نرخ تولید و محاسبه برخی پارامترهای ترمودینامیکی فرایند اعلام شد. در همان گزارش آمده بود که نرم‌افزار قرار است دو ماه پس از رونمایی وارد مرحله بهره‌برداری شود.

اعلام زمان‌بندی بهره‌برداری به‌تنهایی اثبات‌کننده استقرار کامل یا تحقق منافع اقتصادی نیست. برای ارزیابی عملکرد نرم‌افزار باید مشخص شود در چه مقیاسی و چه مدتی در شرایط واقعی به کار گرفته شده و در مقایسه با خط مبنا چه تغییری ایجاد کرده است.

نمونه‌های داخلی؛ از پیش‌بینی فرایند تا کاهش نوسان

نشریه تخصصی Steel World Review در اسفند ۱۴۰۳، در گفت‌وگویی با مدیر خدمات فنی و پشتیبانی فولاد خراسان، از استفاده از هوش مصنوعی برای پیش‌بینی درجه فلزشدگی آهن اسفنجی یا MD در واحد احیای مستقیم خبر داد.

بر اساس اظهارات نقل‌شده در این مصاحبه، حدود ۱۰۰ حسگر از مجموع نزدیک به ۲۰۰۰ حسگر موجود برای پیش‌بینی انتخاب شده‌اند. خطای پیش‌بینی در فرایند برون‌خطی کمتر از نیم درصد اعلام شده و پیش‌بینی MD تا شش ساعت آینده نیز از قابلیت‌های سامانه عنوان شده است. همان مصاحبه می‌گوید استخراج داده‌ها در آن مرحله برون‌خطی بود و اتصال برخط، گام بعدی برنامه به شمار می‌رفت.

این نمونه از نظر فنی اهمیت دارد، زیرا پیش‌بینی زودهنگام مشخصات آهن اسفنجی می‌تواند به تصمیم‌گیری درباره تنظیمات فرایند کمک کند. با این حال، دقت اعلام‌شده مدل در یک آزمون با اثر اقتصادی آن در تولید واقعی یکسان نیست. برای ارزیابی نهایی، اطلاعاتی درباره مدت آزمون، حجم نمونه، شرایط عملیاتی، عملکرد مدل در دوره‌های مختلف و اثر آن بر کیفیت و هزینه تولید لازم است.

در مورد فولاد شادگان نیز گزارش‌هایی از معرفی و اجرای راهکارهای هوش مصنوعی در واحد احیای مستقیم منتشر شده است. گزارش ایسنا به استفاده از نرم‌افزار هوش مصنوعی در این مجتمع اشاره می‌کند؛ اما برای سنجش میزان موفقیت پروژه، اطلاعات تازه‌تری درباره وضعیت بهره‌برداری و شاخص‌های عملکرد لازم است.

این نمونه‌ها نشان می‌دهند موج نخست هوش مصنوعی در صنعت فولاد ایران صرفاً به سخنرانی و معرفی محدود نمانده است. با این حال، اطلاعات عمومی موجود برای رتبه‌بندی شرکت‌ها، مقایسه بازده پروژه‌ها یا برآورد صرفه‌جویی کل صنعت کافی نیست و هر پروژه باید جداگانه ارزیابی شود.

تجربه جهانی؛ فناوری باید به شاخص عملیاتی وصل شود

مقایسه صنعت فولاد ایران با روندهای جهانی تنها بر اساس شمار پروژه‌ها یا عنوان‌های فناورانه و شرایط دو سال اخیرممکن نیست. معیار مهم‌تر، پیوند کاربرد هوش مصنوعی با شاخص‌های عملیاتی و مالی است.

گروه مشاوره بوستون (BCG) در مقاله «تقویت صنعت فولاد با هوش مصنوعی»، با تکیه بر تجربه همکاری با شرکت‌های فولادی در دو بازار جهانی، از ظرفیت کاهش بیش از پنج‌درصدی هزینه مواد اولیه، افزایش بیش از شش‌درصدی ظرفیت عبور از گلوگاه‌های تولید و رشد بیش از ۱۵درصدی بازده محصول سخن گفته است. این ارقام به تجربه‌های مورد مطالعه BCG مربوط‌اند؛ نه میانگین جهانی صنعت و نه برآوردی که بدون بررسی شرایط هر کارخانه بتوان به فولاد ایران تعمیم داد.

در گزارش‌های منتشرشده به کاربردهایی در فولاد خراسان، فولاد شادگان اشاره شده است؛ با این حال، داده‌های عمومی قابل‌مقایسه درباره اثر این پروژه‌ها بر هزینه و تولید محدود است

این مطالعه همچنین بر اهمیت زیرساخت داده و تغییر شیوه کار تأکید می‌کند. تجهیزات قدیمی، ثبت ناقص داده‌ها، نبود اتصال میان سامانه‌ها و دشواری ردیابی اطلاعات محصول می‌توانند مانع توسعه کاربردهای هوش مصنوعی شوند. از این رو، انتخاب مسئله درست و بهبود کیفیت داده باید پیش از توسعه پروژه‌های پیچیده در اولویت باشد.

تجربه تاتا استیل در کارخانه کالینگاناگار هند نیز اهمیت اصلاح مستمر مدل و همراهی کارکنان را نشان می‌دهد. در مطالعه موردی مک‌کینزی، مدل تحلیل داده برای بهینه‌سازی مرحله فوق‌گرمایش فولاد مذاب توسعه یافت. تغییر ترکیب سفارش‌ها و فاصله گرفتن شرایط عملیاتی از داده‌های آموزشی در آغاز باعث شد مدل پیشنهادهای نامناسبی تولید کند و اعتماد اپراتورها کاهش یابد.

کارخانه در ادامه، با اصلاح مدل، تقویت مهارت‌های داخلی و مشارکت بیشتر کارکنان، پروژه را توسعه داد. مک‌کینزی از صرفه‌جویی سالانه برآوردشده چهار میلیون دلاری در همان فرایند و ارزش‌آفرینی مجموع پروژه‌های تحلیل داده در محدوده ۷۰ تا ۸۰ میلیون دلار گزارش می‌دهد. این ارقام به یک کارخانه و برنامه مشخص مربوط‌اند و قابل تعمیم مستقیم به سایر واحدها نیستند.

در آوریل ۲۰۲۶، انجمن جهانی فولاد از همکاری تاتا استیل و گوگل کلاد برای توسعه راهبرد هوش مصنوعی عامل‌محور در کل زنجیره ارزش خبر داد. طبق این گزارش، تاتا استیل اعلام کرده است که طی نه ماه بیش از ۳۰۰ عامل تخصصی هوش مصنوعی را مستقر کرده است. این عدد دامنه استقرار اعلام‌شده از سوی شرکت را نشان می‌دهد، اما به‌تنهایی میزان صرفه‌جویی یا بازده مالی را اثبات نمی‌کند.

پنج گلوگاه در مسیر هوشمندسازی فولاد

۱. فناوری‌محوری به‌جای مسئله‌محوری: اگر پروژه با این پرسش آغاز شود که «چگونه از هوش مصنوعی استفاده کنیم؟»، ممکن است راهکاری توسعه یابد که مسئله اقتصادی مشخصی را حل نمی‌کند. نقطه شروع باید یک گلوگاه واقعی باشد؛ مانند کاهش مصرف گاز به‌ازای هر تن محصول، کم‌کردن توقف ناخواسته تجهیزات، کاهش ضایعات یا پیش‌بینی دقیق‌تر کیفیت.

هر پروژه باید از ابتدا هدف عددی، خط مبنا، هزینه اجرا و مسئول پاسخ‌گوی نتیجه داشته باشد. در غیر این صورت، موفقیت ممکن است با تعداد مدل‌ها و تفاهم‌نامه‌ها سنجیده شود، نه عملکرد کارخانه.

۲. کیفیت و پیوستگی داده‌ها:هوش مصنوعی نمی‌تواند داده‌های ناقص، ناسازگار یا پراکنده در سامانه‌های جداگانه را به‌طور خودکار اصلاح کند. داده‌های حسگرها، آزمایشگاه، تعمیرات، مصرف انرژی و کیفیت محصول باید به‌صورتی قابل اتکا به هم متصل شوند. اگر تغییر مواد اولیه یا شرایط کوره ثبت نشود، مدل ممکن است رابطه‌ای را بیاموزد که در عمل پایدار نیست.

اگر شرکت‌ها مرحله اجرای پروژه، شاخص‌های پیش و پس از اجرا و هزینه نگهداری را روشن نکنند، اعتماد به کاربردهای هوش مصنوعی دشوار می‌شود و مقایسه عملکرد راهکارها نیز امکان‌پذیر نخواهد بود

پیش از سرمایه‌گذاری روی مدل‌های پیچیده، باید روشن شود چه داده‌هایی در دسترس است، کیفیت آنها چقدر است و مالکیت و دسترسی به آنها چگونه تعریف شده است.

۳. پایلوت‌هایی که به عملیات پایدار نمی‌رسند: عملکرد مناسب یک مدل در آزمون برون‌خطی لزوماً به معنای اتصال آن به سامانه‌های برخط کارخانه یا استفاده از پیشنهادهایش در تصمیم‌های روزانه نیست. این مرحله‌ها از نظر بلوغ فناوری تفاوت دارند.

شرکت‌ها باید وضعیت هر پروژه را شفاف اعلام کنند: نمونه آزمایشگاهی، آزمون برون‌خطی، پایلوت کارخانه‌ای، بهره‌برداری برخط، استفاده در تصمیم‌گیری روزانه یا کنترل خودکار تحت نظارت. تفکیک این مرحله‌ها مانع از آن می‌شود که یک دستاورد آزمایشی، معادل تحول کامل تولید تلقی شود.

۴. وابستگی به پیمانکار و ضعف توان داخلی: توسعه مدل پایان کار نیست. با تغییر مواد اولیه، تعمیرات، شرایط محیطی و ترکیب تولید، مدل‌ها ممکن است به بازبینی نیاز داشته باشند. تجربه تاتا استیل نشان می‌دهد توان داخلی برای عیب‌یابی و اصلاح مدل و مشارکت کارکنان، در تداوم استفاده از آن اهمیت دارد.

قراردادهای همکاری با شرکت‌های دانش‌بنیان نیز بهتر است علاوه بر تحویل نرم‌افزار، انتقال دانش، مستندسازی، آموزش، پشتیبانی بلندمدت و دسترسی لازم برای نگهداری مدل را پوشش دهند. معیار موفقیت فقط تحویل محصول نیست؛ توان بهره‌برداری پایدار از آن نیز باید سنجیده شود.

۵. نبود گزارش عمومی از بازده سرمایه‌گذاری: یکی از خلأهای موجود برای افکار عمومی و سهام‌داران، کمبود گزارش‌های دوره‌ای و قابل‌مقایسه درباره نتایج اقتصادی پروژه‌هاست. برای ارزیابی یک سامانه باید هزینه کل پروژه، شاخص‌های پیش از اجرا، تغییرات پس از اجرا و پایداری نتایج در یک دوره مشخص معلوم باشد. همچنین باید اثر عواملی مانند تعمیرات، تغییر مواد اولیه یا شرایط بازار از نتیجه پروژه تفکیک شود.

انتشار اطلاعات در حدی که محرمانگی صنعتی را نقض نکند، به شفافیت کمک می‌کند و امکان ارائه شواهد معتبر از عملکرد محصولات شرکت‌های دانش‌بنیان را فراهم می‌آورد.

اولویت‌های کاربردی و نقشه راه

در واحدهای احیای مستقیم و فولادسازی، پیش‌بینی کیفیت آهن اسفنجی، بهینه‌سازی پارامترهای فرایند، کاهش نوسانات تولید و مدیریت مصرف گاز و برق از کاربردهای قابل بررسی است.

در تعمیرات و نگهداری، تحلیل داده‌های ارتعاش، دما، فشار و جریان می‌تواند در صورت دسترسی به داده کافی و اتصال مناسب تجهیزات، به تشخیص زودهنگام خرابی کمک کند. در معادن نیز تحلیل داده‌های ماشین‌آلات، پیش‌بینی خرابی، بهینه‌سازی مسیر حمل، برنامه‌ریزی استخراج و پردازش تصاویر برای شناسایی ویژگی‌های زمین‌شناسی از کاربردهای قابل بررسی‌اند.

در زنجیره تأمین و فروش، پیش‌بینی تقاضا، مدیریت موجودی، برنامه‌ریزی حمل‌ونقل و هماهنگی تولید با سفارش مشتری می‌تواند به کاهش اتلاف منابع و هزینه‌های لجستیکی کمک کند؛ مشروط بر آنکه داده‌های تولید، فروش و حمل به‌درستی یکپارچه شوند.

انتخاب کاربرد باید بر اساس ارزش بالقوه، کیفیت داده، هزینه پیاده‌سازی، ریسک عملیاتی و زمان دستیابی به نتیجه انجام شود. شرکت‌ها می‌توانند مسیر اجرا را در چند گام پیش ببرند: انتخاب مسئله و مسئول کسب‌وکار، ثبت خط مبنا، ارزیابی داده، اجرای پایلوت کنترل‌شده، سنجش منافع پس از کسر هزینه‌ها، گسترش مرحله‌ای و انتشار گزارش عملکرد.

بازده سرمایه‌گذاری را می‌توان با فرمول زیر سنجید:

بازده سرمایه‌گذاری = (منافع مالی قابل انتساب به پروژه − هزینه کل پروژه) ÷ هزینه کل پروژه × ۱۰۰

منافع مالی باید با احتیاط محاسبه شوند. کاهش زمان انجام یک کار لزوماً به معنای کاهش هزینه نقدی نیست، مگر آنکه به افزایش تولید قابل فروش، کاهش اضافه‌کاری یا کم‌شدن هزینه واقعی منجر شود. همچنین نمی‌توان تغییرات ناشی از تعمیرات یا تغییر ترکیب تولید را بدون بررسی به هوش مصنوعی نسبت داد.

معیار موفقیت، تعداد پروژه‌ها نیست

صنعت فولاد ایران برای رقابت در بازاری که با فشار هزینه انرژی، محدودیت سرمایه‌گذاری و نوسانات بازار روبه‌روست، به تحول دیجیتال نیاز دارد. نمونه‌های فولاد خراسان، فولاد شادگان و جهان فولاد سیرجان از آغاز حرکت به سمت کاربردهای تخصصی هوش مصنوعی حکایت دارند؛ اما داده‌های عمومی موجود هنوز تصویر جامع و قابل‌مقایسه‌ای از بازده این پروژه‌ها ارائه نمی‌کنند.

این کمبود را نمی‌توان نشانه قطعی شکست پروژه‌ها دانست؛ همان‌طور که خبر رونمایی یا اعلام دقت یک مدل نیز به‌تنهایی موفقیت اقتصادی آن را ثابت نمی‌کند.