هوشمندسازی صنعت فولاد: مروری بر کاربردهای عملیاتی هوش مصنوعی در بهینه سازی، پایداری و تحول دیجیتال فرآیندهای تولید

سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 118

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ABMIR-3-2_001

تاریخ نمایه سازی: 27 آذر 1404

چکیده مقاله:

صنعت فولاد به عنوان یکی از ارکان حیاتی اقتصاد جهانی، با چالش هایی نظیر نوسانات بازار، افزایش هزینه های انرژی، ضرورت کاهش آلاینده ها و رقابت فزاینده در بهره وری مواجه است. در این زمینه، هوش مصنوعی به عنوان محرکی کلیدی در تحول دیجیتال، نقش مهمی در بهینه سازی و هوشمندسازی فرآیندهای تولید ایفا می کند. این مقاله مروری، به بررسی کاربردهای عملیاتی هوش مصنوعی در صنعت فولاد می پردازد. در ابتدا، مفاهیم پایه ای هوشمندسازی صنعتی و الگوریتم های هوش مصنوعی معرفی شده اند. سپس، کاربردهای متنوع این فناوری از جمله بهینه سازی مصرف انرژی، کنترل کیفیت، نگهداری پیش بینانه، پیش بینی خواص مواد، تصمیم گیری در زنجیره تامین و اتوماسیون خطوط تولید مورد بررسی قرار گرفته و مزایای پیاده سازی هوش مصنوعی بیان شده است. در ادامه، چالش های پیاده سازی این فناوری از جمله نیاز به داده های دقیق، زیرساخت های فناورانه، ملاحظات امنیتی و مسئله تفسیرپذیری مدل ها تحلیل شده است. در پایان نیز، روندهای نوظهوری نظیر ادغام هوش مصنوعی با فناوری هایی چون دوقلوی دیجیتال، یادگیری فدرال و مدل های قابل تفسیر معرفی شده اند. نتایج بررسی ها نشان می دهد بهره گیری هدفمند از هوش مصنوعی نه تنها به افزایش بهره وری و کاهش هزینه ها کمک می کند، بلکه مسیر دستیابی به تولید پایدار و واکنش پذیر را نیز هموار می سازد.

نویسندگان

راضیه شیخ پور

دانشیار، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه اردکان، اردکان، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • R. Ma, J. Chen, Y. Feng, Z. Zhou, and J. ...
  • V. Nath, C. Chattopadhyay, and K. A. Desai, “NSLNet: An ...
  • W. Fang, J. X. Huang, T. X. Peng, Y. Long, ...
  • J. Jakubowski, N. Wojak-Strzelecka, R. P. Ribeiro, S. Pashami, S. ...
  • C. Pepe, G. Farella, G. Bartucci, and S. M. Zanoli, ...
  • D. Zhou, K. Xu, Z. Lv, J. Yang, M. Li, ...
  • K. Tsutsui, T. Namba, K. Kihara, J. Hirata, S. Matsuo, ...
  • Redchuk and F. Walas Mateo, “New business models on artificial ...
  • D. Cemernek, S. Cemernek, H. Gursch, A. Pandeshwar, T. Leitner, ...
  • Q. Xie, M. Suvarna, J. Li, X. Zhu, J. Cai, ...
  • S. W. Choi, B. G. Seo, and E. B. Lee, ...
  • M. Khaledi, A. Rashidi Mehrabadi, and M. Mirabi, “Prediction of ...
  • Y. Zhang, C. J. Zhang, K. Zeng, L. Zhu, and ...
  • S. Li, S. Wang, W. Li, G. Zhang, Z. Huang, ...
  • S. Y. Lee, B. A. Tama, S. J. Moon, and ...
  • K. Choi, K. Koo, and J. S. Lee, “Development of ...
  • L. North, K. Blackmore, K. Nesbitt, and M. R. Mahoney, ...
  • C. Yang, C. Yang, J. Li, Y. Li, and F. ...
  • S. Liu, X. Liu, Q. Lyu, and F. Li, “Comprehensive ...
  • F. He and L. Zhang, “Mold breakout prediction in slab ...
  • J. Cheng, C. Zhao-Zhen, T. Nai-Biao, Y. Ji-Lin, and Z. ...
  • W. Zhao, F. Chen, H. Huang, D. Li, and W. ...
  • B. Si, M. Yasengjiang, and H. Wu, “Deep learning-based defect ...
  • J. Jang, D. Van, H. Jang, D. H. Baik, S. ...
  • B. Zhu, Z. Chen, F. Hu, X. Dai, L. Wang, ...
  • “Accelerating phase-field predictions via recurrent neural networks learning the microstructure ...
  • H. Di, X. Ke, Z. Peng, and D. Dongdong, “Surface ...
  • Y. Gao, H. Zhang, L. Zhu, F. Xie, and D. ...
  • B. Kim, J. Kwon, S. Choi, J. Noh, K. Lee, ...
  • R. Zheng, Y. Bao, L. Zhao, and L. Xing, “Prediction ...
  • Y. Ji, S. Liu, M. Zhou, Z. Zhao, X. Guo, ...
  • C. Song, J. Cao, L. Wang, J. Xiao, and Q. ...
  • R. Ricardo Rodríguez, I. F. Benítez, G. González Yero, and ...
  • K. Kerdprasop, N. Kerdprasop, and P. Chuaybamroong, “Deep learning and ...
  • X. Chen, J. Van Hillegersberg, E. Topan, S. Smith, and ...
  • U. Samal, “Evolution of machine learning and deep learning in ...
  • X. Chen, J. Van Hillegersberg, E. Topan, S. Smith, and ...
  • McKinsey & Company, “How a steel plant in India tapped ...
  • Tata Steel, Integrated Report ۲۰۲۳–۲۴: Intellectual Capital – Industry ۴.۰, ...
  • R. Kumar Balaraman, S. Hussain, J. K. Ong, Q. Y. ...
  • Khalili-Fard, F. Sabouhi, and A. Bozorgi-Amiri, “Data-driven robust optimization for ...
  • V. Colla, C. Pietrosanti, E. Malfa, and K. Peters, “Environment ...
  • H. Zhao, Y. Chen, B. Dang, and X. Jian, “Research ...
  • M. Coniglio, A. Cimino, and V. Corvello, “Artificial intelligence and ...
  • Ş. Duymaz and A. F. Güneri, “The application of machine ...
  • Khalili-Fard, F. Sabouhi, and A. Bozorgi-Amiri, “Data-driven robust optimization for ...
  • T.-L. Nguyen, P.-H. Nguyen, H.-A. Pham, T.-G. Nguyen, D.-T. Nguyen, ...
  • نمایش کامل مراجع