نقش توسعه هوش مصنوعی در صنعت پتروشیمی
محورهای موضوعی : آموزش پلیمرها: وضعیت کنونی و آینده
1 - دانشجوی کارشناسی مهندسی شیمی؛ دانشگاه آزاد اسلامی؛ واحد تهران جنوب
2 - عضو هیئت علمی دانشگاه آزاد اسلامی؛ واحد تهران جنوب؛ دانشکده فنی؛ گروه مهندسی شیمی و پلیمر
کلید واژه: هوش مصنوعی, پتروشیمی, تحلیل اقتصادی,
چکیده مقاله :
صنعت پتروشیمی به عنوان یکی از ستون های اصلی اقتصاد جهانی، همواره با چالش هایی نظیر پیچیدگی فرآیندهای شیمیایی، نسبت هزینه های بالای انرژی و ضرورت حفظ ایمنی در محیط های پرخطر روبرو بوده است. ظهور هوش مصنوعی و فناوری های مبتنی بر داده، پارادایم های سنتی مدیریت و کنترل در این صنعت را به شدت تغییر داده است. این مقاله با هدف بررسی نقش تحول آفرین هوش مصنوعی در بهینه سازی فرآیند های تولید، توسعه محصولات نوآورانه، اجرای برنامه های نگهداری پیش بینانه، مدیریت زنجیره تأمین، ارتقای ایمنی عملیاتی و خودکارسازی تصمیم گیری های هوشمند نگاشته شده است. در این پژوهش، علاوه بر تبیین مبانی نظری، کاربرد این فناوری ها در شرکت های پیشرو بین المللی و شرکت های مشابه در صنعت پتروشیمی ایران مورد تحلیل قرار گرفته است. هم چنین، با رویکردی انتقادی، ابعاد فنی، چالش های اجرایی و تحلیل های اقتصادی از جمله میزان مقرون به صرفه بودن و بازگشت سرمایه در پیاده سازی این سیستم ها در مقایسه با روش های سنتی، مورد بررسی و ارزیابی قرار می گیرد. علاوه بر این، تأثیر این فناوریها بر کاهش نوسانات عملیاتی، افزایش طول عمر تجهیزات و کاهش خطاهای انسانی مورد واکاوی قرار میگیرد. یافته های این مطالعه نشان میدهد که اگرچه پیاده سازی هوش مصنوعی نیازمند سرمایه گذاری اولیه قابل توجه در زیرساخت ها و نیروی انسانی متخصص است، اما کاهش هزینه های عملیاتی و افزایش بهره وری در بلند مدت، آن را به ضرورتی اجتناب ناپذیر برای رقابت پذیری در بازارهای جهانی تبدیل کرده است
As a cornerstone of the global economy, the petrochemical industry has constantly grappled with challenges such as highly complex chemical processes, soaring energy costs, and the critical need to maintain safety in hazardous environments. However, the rise of artificial intelligence (AI) and data-driven technologies is fundamentally reshaping traditional management and control paradigms across the sector. This paper examines the transformative role of AI in optimizing production processes, driving product innovation, implementing predictive maintenance, streamlining supply chains, enhancing operational safety, and automating intelligent decision-making. Beyond establishing a theoretical framework, this study analyzes how these technologies are applied by leading global corporations as well as their counterparts within the Iranian petrochemical industry. Furthermore, it adopts a critical lens to evaluate the technical dimensions, implementation hurdles, and economic feasibility—specifically cost-effectiveness and return on investment (ROI)—of deploying these advanced systems compared to conventional methods. Additionally, the impact of these technologies on mitigating operational fluctuations, extending equipment lifespan, and minimizing human errors is explored. The findings indicate that while integrating AI demands substantial upfront investment in both infrastructure and specialized talent, the long-term reduction in operational costs and boost in productivity make it an indispensable requirement for maintaining a competitive edge in global markets
[1] J. Albert, “Plastics and the Environment: A Comprehensive Overview,” Springer Publishing, P. 45-60, 2019.
[2] J. Hopewell, R. Dvorak, & E. Kosior, “Plastics recycling: Challenges and opportunities,” Philosophical Transactions of the Royal Society B: Biological Sciences, P. 2115-212, 2009.
[3] Z. Mohsen Nasrullah, “Recycling of Plastics: An Overview,” Journal of Environmental Health Science & Engineering, P. 15, 2017.
[4] A. L. Andrady, “Plastics and the Environment,” Wiley Publishing ,P. 112-130, 2015.
[5] United Nations Environment Program, “Global Trends in Plastics Recycling and Waste Management,” Official Report ,P. 10-25, 2021.
[6] P. C. Hiemenz & T. P. Lodge, “Polymer Science and Technology,” API Publications ,P. 88, 2018.
[7] William Lee, “Introduction to Plastics Engineering,” Academic Press,P. 210,2016.
[8] J. A. Bryd son, “Plastics Materials,” Scientific Press ,P. 55, 2014.
[9] Society of Plastics Engineers (SPE), “Specialized Publications in Polymer Engineering,” SPE Annual Yearbook, P. 300, 2020.
[10] Multiple Researchers, “Biodegradable Plastics: Standards, Policies, and Impacts,” Journal of Environmental Sustainability ,P. 45-50, 2022.
[11] American Chemistry Council, “Polyethylene (HDPE) Recycling,” Technical Report ,P. 12, 2011.
[12] European Association of Plastic Recycling and Recovery Organisation (EPRO), “Recycling of HDPE Bottles,” Annual Report ,P. 34, 2019.
[13] Mat Web, “Physical Properties of Polymers,” Online Database, 2023.
[14] S. Morton, “Smart Supply Chain Management in Process Industries,” Journal of Supply Chain Management ,P. 88-95, 2021.
[15] R. Kurzen, “Demand Forecasting Algorithms in Petrochemical Industries,” Journal of Industrial Computing, P. 112, 2022.
[16] Li et al., “Optimization of Logistics and Transportation for Polymeric Products,” Journal of Intelligent Transportation P 40, 2020.
[17] D. Sanders, “Supply Chain Management in Major Energy Corporations (BP Case Study),” Journal of Industrial Strategy, P. 150, 2018.
[18] Market Analysis Report, “Distribution Systems of Polymeric Products in the Iranian Market,” Market Analysis Report, P. 22, 2023.
[19] K. Williams, “Machine Learning Applications in Raw Material Demand Forecasting,” Journal of Digital Economy, P. 77, 2021.
[20] M. Garcia, “Optimization of Distribution Routes for Petrochemical Products,” Journal of Global Logistics, \P. 90, 2019.
[21] H. Chen, “Data Integration in Supply Chain Management via Artificial Intelligence,” Journal of Information Management, P. 130, 2022.
[22] J. Peterson, “Computer Vision in Environmental Safety Monitoring for Heavy Industries,” Journal of Industrial Safety, P. 55, 2021.
[23] L. Fischer, “Smart Sensors for Risk Management in Petrochemical Units,” Journal of Safety Technology ,P. 88, 2020.
[24] ADNOC Research Group, “Utilizing AI in Reducing Operational Accidents,” ADNOC Safety Report ,P. 10-15, 2022.
[25] M. Ahmed, “Real-time Process Monitoring via Internet of Things (IoT),” Journal of Process Control ,P. 45, 2023.
[26] Case Study, “Risk Management in Large-scale Petrochemical Operational Units in Iran,” Risk Analysis Report P. 30, 2021.
[27] R. Taller, “Transition from Classical to Model Predictive Control (MPC),” Journal of Intelligent Control ,P. 200, 2019.
[28] Shell Technology Report, “Autonomous Automation in Smart Refineries,” Shell Technology Report, P. 50, 2022.
[29] V. Gupta, “Intelligent Model Predictive Control in Non-linear Petrochemical Processes,” Journal of Chemical Engineering, P. 112, 2021.
[30] Technical Research, “Status of Automation in Leading Petrochemical Units in Iran,” Technology Development Report ,P. 15, 2023.
