《Sustainable Energy Technologies and Assessments》:Deep learning for intelligent energy optimization and low-carbon transformation in metallurgical systems: A review
编辑推荐:
摘要冶金工业是全球最大的工业能源消耗部门之一,也是全球碳排放的主要贡献者。因此,在提高能源效率的同时减少排放已成为实现工业可持续发展和碳中和的关键途径。然而,复杂的物理化学相互作用、强烈的过程耦合以及动态的运行条件仍然持续限制着传统优化方法的有效性。本综述系统地综合了深度学习
摘要
冶金工业是全球最大的工业能源消耗部门之一,也是全球碳排放的主要贡献者。因此,在提高能源效率的同时减少排放已成为实现工业可持续发展和碳中和的关键途径。然而,复杂的物理化学相互作用、强烈的过程耦合以及动态的运行条件仍然持续限制着传统优化方法的有效性。
本综述系统地综合了深度学习在冶金生产链各环节中的应用,涵盖矿石预处理、冶炼、精炼和铸造,重点聚焦于能源优化、排放控制和智能过程管理。现有研究表明,深度学习在提高能源效率、支持排放监测与控制以及增强实时过程优化方面具有潜力,尽管这些效益的规模和证据在不同工艺和验证条件下有所差异。
尽管取得了快速进展,但大规模工业部署仍受限于数据质量、模型泛化能力和工业适应性。本综述所建立的系统框架突出了深度学习在支持冶金系统节能生产、减排和智能过程管理方面的潜力,同时也为其他能源密集型行业的可持续转型提供了可扩展的见解。
引言
冶金工业在全球可持续发展转型中占据着结构上独特的地位——它对于现代基础设施和清洁能源系统不可或缺,同时又仍是全球能耗和碳排放最密集的工业部门之一。该行业支撑着关键经济活动,生产了全球90%以上的钢铁以及大量铝和其他基础设施、交通和清洁能源技术所必需的基础金属,过去三十年来产量稳步增长以满足不断上升的需求。与此同时,该行业持续表现出高能耗和高碳排放的特征,而随着电气化和城市化的加速,需求预计将进一步增长。这一双重角色使冶金工业既是现代经济的基础,也是全球排放的主要来源,从而强化了向低碳冶金工艺转型的紧迫性。随着全球碳治理向可执行的政策工具转变,包括碳定价机制、欧盟碳排放交易体系等排放交易系统,以及针对高碳材料的边境碳调节措施,冶金生产正面临对低效、延迟响应和粗粒度过程控制的容忍度迅速下降的态势[1]、[2]。
历史上,减少冶金工业能耗和排放的努力依赖于机理建模、经验规则和离线优化策略的组合[3]。虽然这些方法带来了渐进式改进,但它们从根本上受制于冶金工艺固有的特征:强非线性、多尺度耦合、随机扰动,以及由原料变异性、设备老化和运行波动所引起的时间变系统状态[4]。因此,传统模型越来越难以在真实工业条件下保持准确性、鲁棒性和响应性,导致减排目标与可实现的控制性能之间的差距不断扩大[5]。
《巴黎协定》中正式化的气候减缓承诺从根本上改变了包括冶金工业在内的能源密集型行业的运营条件,要求实现与国家净零路径相一致的大幅减排。例如,国际能源署等组织制定的与巴黎协定一致的转型路径表明,钢铁和铝生产必须在本世纪中叶实现深度脱碳,根据国际能源署2050年净零路径,到2050年钢铁的近乎零排放生产比例将达到约95%,原铝达到96%[6]。在此监管背景下,渐进式效率改进已不再足够,先进的数据驱动控制范式正成为一种结构性必然,而非技术选择。
这一日益增长的错配已使冶金脱碳的挑战从"更好的参数调优"问题转变为结构性范式不足的问题。在此背景下,深度学习代表了一条性质上不同的技术路径,深度学习的应用如图1所示。与传统建模方法不同,深度学习可以直接从大量工业数据中提取复杂模式,从而无需严重依赖预定义规则或简化的结构假设即可识别冶金工艺中的关键关系[7]、[8]、[9]。这一能力与现代冶金系统数据丰富但机理不透明的特征尤为契合,在高频传感、机器视觉和工业互联网技术产生海量但未被充分利用的信息流的背景下,这一优势更为显著[10]。
重要的是,深度学习在冶金领域的应用并非仅由算法新颖性驱动,而是因其独特能力——在日益压缩的转型时间线下面对核心可持续发展瓶颈做出应对。在能源需求预测、排放源识别、自适应过程控制和预测性维护等应用中,深度学习在管理运行不确定性、实现实时决策以及缓解与过程不稳定、能源利用效率低下和非计划停机相关的隐性能源损失方面展现出强大能力[11]、[12]、[13]、[14]。这些能力使深度学习成为实现碳约束冶金系统中能源强度和污染物排放可信降低的关键使能基础设施。
尽管上述深度学习应用迅速扩展,但以往的综述已从不同角度探讨了若干密切相关的问题,包括钢铁工业低碳发展、工业节能策略、机器学习在工业中的应用、智能运行决策、金属增材制造中的深度学习以及非铁冶金过程的智能制造(表1)。这些研究为理解特定工业或冶金背景下智能技术、能源效率和低碳发展提供了有价值的基础。然而,这些研究在技术重点、冶金覆盖范围和可持续性目标方面存在差异,而将深度学习与冶金价值链上的能源优化和碳排放减少明确联系起来进行综合整合的研究仍然有限。
因此,深度学习在支持过程链层面能效和低碳转型中的作用尚未得到系统性阐述。本综述通过提供深度学习在冶金过程链各环节(从矿石预处理到铸造)中应用的系统综合来弥补这一空白,特别关注能耗预测与优化、排放监测与控制、智能过程管理以及模型层面改进转化为过程层面能源和排放效益的潜力。
章节摘要
文献检索与筛选
开展了结构化文献检索,以识别涉及深度学习在冶金过程中应用的研究,特别关注能源效率、减排、过程优化、智能控制及相关可持续性目标。科学引文索引数据库被用作主要文献数据库,因其对工程、能源、材料和环境科学领域同行评议文献的广泛覆盖。
冶金过程基础:高能耗与排放框架
为给非冶金专业读者提供简明扼要的过程层面概述,本节呈现了冶金生产中常见几个主要阶段的简化表示,包括原料制备、提取或冶炼、精炼和产品成型(图5)。此表示旨在作为组织所综述应用的概念框架,而非适用于所有冶金工艺
结果与后续工作
深度学习在冶金系统的节能和减排方面已取得显著进展,但仍面临若干挑战。计算效率仍然限制着在高度动态过程(如高炉布料)中的实时部署,这些过程中快速的时间波动和强非线性甚至对经过优化的拉格朗日松弛方法构成挑战[127]。模型性能在很大程度上取决于工业数据的质量和稳定性。
结论
深度学习正加速冶金工业向更高效、低碳和智能化生产系统的转型。通过将数据驱动建模与过程优化及运行控制相结合,深度学习已在提高能源效率、减少排放以及增强冶金生产链上的过程稳定性方面展现出显著潜力。然而,模型层面的性能改进不应被直接解释为
CRediT作者贡献声明
李泽坤:撰写——审阅与编辑,撰写——原稿,可视化,验证,方法论,形式化分析,数据整理。余志强:监督,资源获取,项目管理。马林:撰写——审阅与编辑,可视化,监督,项目管理。张宇鑫:监督,项目管理,方法论,形式化分析,数据整理。吴继军:监督,调查研究,形式化分析。董世鉴:可视化,监督,方法论。余杰:
利益冲突声明
作者声明他们不存在可能被认为会影响本文所述工作的已知竞争性经济利益或个人关系。
致谢
作者感谢中国国家自然科学基金(U24A2098)的支持。
作者贡献
Z.L. 进行了文献综述,整理和分析数据,并起草了手稿。Z.Y.、L.M.和Y.Z. 监督了研究工作,并在理论发展和研究结构方面提供了关键指导。Z.Y.、L.M.和Y.Z. 为通讯作者。J.Y.、S.D.、J.W.、S.L.、W.M.和A.M. 参与了手稿修订、语言编辑和改进。
李泽坤|余志强|马林|张宇鑫|吴继军|董世鉴|余杰|李少源|马文辉|Arunima Malik