شرکت های پتروشیمی که می‌خواهند این این قالب را کنار بگذارند و به سمت رویکردهای نوین پیش بروند باید در رویکردهای نوآوری سنتی متمرکز در مولکول ها بازنگری کنند.
سیستم‌های مواد پیشرفته (AMS)[1] چه توسط دی لویت[2] طراحی شده اند می توانند به تغییر پارادایم از نوآوری متمرکز بر مولکول/ کاربرد با هدف مواجهه با چالش‌های بازار های نهایی و پیش برد رویکردهای توسعه تاریخی با همکاری موثر در سراسر اکوسیستم و توانمندی ها کمک شایانی کند. اما چگونه می توان سیستم مواد پیشرفته را راه اندازی کرد؟ گام هایی که برای تاسیس یک سیستم مواد پیشرفته معتبر باید برداشت عبارتند از:
- طرح شفاف ضرورت های عملیاتی مورد نیاز برای برآورده کردن تقاضای بازار و تفسیم ضرورت های عملیاتی به دو بخش مسائل و مشکلات مهندسی، و چالش های مربوط به مدل تجاری؛
- درک و تعریف اکوسیستم توانمندی ها به دلیل اینکه همه توانمندی های مورد نیاز احتمالاً در در چهارچوب یک شرکت خاص یافت نمی شود؛
- ایجاد یک مدل همکاری موثر به منظور حل هر یک از مسائل منفرد در همه بخش های اکوسیستم؛
- داشتن طرح از ساختار کلی موردنظر و مدیریت هر یک از زیر مجموعه ها به منظور ادغام و آنها و برای دستیابی به هدف سازمان به عنوان یک کلمه مهم.
رسیدن به چنین هدفی ممکن است بر روی کاغذ بسیار ساده به نظر برسد اما با توجه به فرهنگ نوآوری تاریخی در صنعت پتروشیمی مدیریت تغییر به سمت استفاده از مجموعه ای از توانمندی ها در کل اکوسیستم کاری بسیار دشوار است. همه شرکت‌های پتروشیمی حرکت در این مسیر را انتخاب نخواهند کرد و برای کسانی که این انتخاب را دارند کاهش دوره زمانی مربوط به نوآوری محصول می تواند شاه کلید موفقیت راه کارهای تجاری باشد.
از آنجایی که شرکت های پتروشیمی به دنبال یک رویکرد جدید برای نوآوری هستند که رشد سودآوری آنها را نیز تضمین کند، شرکت‌هایی که از سیستم‌هایی که در آنها فناوری های دیجیتالی پیشرفته با مواد ادغام می شوند، در مقایسه با شرکت هایی که فقط بر روی مواد تمرکز می کنند، احتمالاً ارزش افزوده بالاتری تولید خواهند کرد.
ممکن است که فناوری های مواد و پروسه تولید خود زمینه‌ای برای رشد نوآوری باشند، اما به تنهایی ارزش زیادی را ایجاد نمی‌کنند. ترکیب مواد با راهکارهای عملیاتی که به سمت حل مجموعه مشخصی از تقاضاهای برآورده نشده مشتریان در بازار حرکت می‌کند یکی از عوامل اصلی در این مسیر است.
رویکرد سیستم مواد پیشرفته می تواند به تشخیص فرصت هایی که ناشی از تقاضای بازار هستند و با کمک نوآوری مواد بر آورده می‌شوند، کمک کند. این سیستم معمولاً در گام اول نگاهی به ابر روندهای دارد که بازار را در سطح کلان تحت تاثیر قرار می دهند، سپس به تشخیص کاربرد های جدید می رسد که به طور بالقوه می تواند تقاضا های برآورده نشده مشتریان را پاسخ دهند.
این فرآیند در ادامه می‌تواند به شناسایی ضرورت‌های عملی عملیاتی بیانجامد که می‌توانند راهکارهای نوآورانه را به سرانجام برسانند - این مهم از طریق ترکیب مواد، سیستم ها و فرآیندها امکان پذیر است. اگر یک شرکت پتروشیمی بتواند یک راهکار نوآورانه معرفی کند که شامل به کارگیری فن آوری ها و مواد باشد و همزمان تقاضا های پاسخ داده نشده بازار را، که ناشی از ابر روندها هستند، برآورده کند می تواند ارزش بالایی را برای این رویکرد ایجاد کند ( نمودار ۱).
فناوری های دیجیتال این تنها می‌تواند کمک شایانی در تشخیص فرصت‌های بازار کنند بلکه نیازمندی های عملیاتی که می تواند به بهترین شکل ممکن با مواد، سیستم ها و فرآیندها ترکیب شود را نیز شناسایی نماید. به عنوان مثال، فناوری های دیجیتال می توانند سنجش خودکار روند و کنترل فضای مجازی (با استفاده از تحلیل متنی) را امکان پذیر سازند تا بدین ترتیب روند های کلان بازار و نیازمندی های مشتریان را شناسایی کنند.
این اقدام می‌تواند به بهبود حوزه‌های تحقیقاتی و مقیاس تلاش های تحقیق و توسعه کمک کند.[3] در واقع در حال حاضر حجم انبوهی از داده ها، هم داده های داخلی و هم خارجی، با استفاده از یک رویکرد داده محور و مبتنی بر پلتفرم گردآوری شده است. علاوه بر این، داده های مربوط به توسعه مواد بسیار پراکنده و پرهزینه هستند.
روش مصنوعی می‌تواند دانش فنی شرکت‌های پتروشیمی موجود را از نظر بهره وری و مقرون به صرفه بودن بهبود بخشد، و این کار را از طریق ادغام دامنه دانش با مدل های گرافیکی که می تواند ضرایب همبستگی شناخته شده و فرمول های تحلیلی را در خود جای دهد، انجام می دهد.
نمودار ۱- رویکرد سیستم‌های مواد پیشرفته به نوآوری
رویکرد یادگیری ماشین به حل چالش‌های مواد
استفاده از هوش مصنوعی، به خصوص یادگیری ماشین چیز جدیدی در صنعت پتروشیمی نیست. اگرچه استفاده از فراوانی کاربرد های یادگیری ماشین در طول سال های اخیر افزایش یافته است. در سال ۲۰۰۹ میلادی تنها چند صد مقاله در مجلات علمی منتشر شده بودند که در مورد استفاده از یادگیری ماشین در صنعت پتروشیمی بودند. در سال ۲۰۱۹ این رقم به هشت هزار مقاله علمی در مجلات رسیده است که نشان‌دهنده رشد قابل توجه ۳۵ درصد در سال تنها در یک دهه بوده است. رویکردهای اخیر یادگیری ماشین برای تقویت درک و محاسبات شیمیای عبارتند از:
- درک ساختارهای شیمیایی و ویژگی های فیزیکی مرتبط با آن ها
- بهینه سازی روابط ساختار -دارایی در هر یک از این کاربرد ها
- تولید مولکول های پایدار از یک مجموعه از ویژگی های هدف قبلاً تصمیم‌گیری شده
- پیگیری ترکیبات و مواد جدید شیمیایی
- بهبود فناوری های کاتالیستی
نمودار ۲- چگونه هوش مصنوعی مهندسی مجدد سریع محصولات را با هزینه کمتر و تغییر زنجیره عرضه مقدور می سازد؟
[1] Advanced Material Systems (AMS)
[3] World Economic Forum, “Digital transformation initiative: Chemistry and advanced materials industry,” January 2017