صنعت پتروشیمی جهان وارد عصری شده است که دیگر توسعه زیرساخت‌های فیزیکی به‌تنهایی تضمین‌کننده بقا و تداوم فعالیت نیست. نوسانات قیمت خوراک و محصولات، محدودیت منابع انرژی، ضرورت کاهش هزینه‌ها، فشارهای زیست‌محیطی و نیاز روزافزون به ارتقای ایمنی، مدیریت سنتی و صرفاً مبتنی بر تجربه را با چالش‌های جدی روبه‌رو کرده است.

در چنین شرایطی، هوش مصنوعی از یک فناوری فانتزی و آینده‌محور به ابزاری راهبردی برای تقویت تاب‌آوری و پایداری تولید تبدیل شده است. هدف از ورود هوش مصنوعی به صنعت پتروشیمی، حذف نیروی انسانی نیست؛ بلکه تجهیز مدیران، مهندسان و کارشناسان به ابزاری است که بتواند از میان انبوه داده‌های پراکنده، الگوهای پنهان، ریسک‌های احتمالی و فرصت‌های بهینه‌سازی را شناسایی کند.

هوش مصنوعی می‌تواند از نخستین مراحل اجرای یک پروژه پتروشیمی تا سال‌های بهره‌برداری، در تصمیم‌گیری و کنترل عملکرد نقش داشته باشد. پروژه‌های نفت، گاز و پتروشیمی معمولاً به دلیل گستردگی فعالیت‌ها، تعدد پیمانکاران، پیچیدگی مدارک مهندسی و وابستگی شدید میان فعالیت‌های مختلف، در معرض تأخیرهای زنجیره‌ای قرار دارند. تأخیر در تأمین یک تجهیز، اصلاح یک مدرک مهندسی یا تکمیل یک فعالیت ساختمانی ممکن است چندین بخش دیگر پروژه را نیز تحت تأثیر قرار دهد.

الگوریتم‌های هوشمند با تحلیل سوابق پروژه‌های مشابه، وضعیت فعلی فعالیت‌ها، عملکرد پیمانکاران و مسیر بحرانی، می‌توانند احتمال تأخیر را پیش از وقوع شناسایی کرده و به مدیر پروژه برای اصلاح برنامه هشدار دهند.

در حوزه مدیریت ریسک نیز هوش مصنوعی می‌تواند به‌عنوان یک ابزار پیش‌بین عمل کند. بررسی حجم بزرگی از اسناد فنی، قراردادها، صورت‌جلسات، مکاتبات و گزارش‌های روزانه برای نیروی انسانی زمان‌بر است و احتمال نادیده ماندن برخی نشانه‌های مهم وجود دارد. سامانه‌های هوشمند می‌توانند تغییرات مکرر در طراحی، تأخیرهای تکرارشونده، اختلاف میان برنامه و عملکرد واقعی، مشکلات زنجیره تأمین و ریسک‌های قراردادی را شناسایی و اولویت‌بندی کنند. کنترل هوشمند اسناد مهندسی و مقایسه نسخه‌های مختلف مدارک نیز می‌تواند از خطاهایی جلوگیری کند که اصلاح آن‌ها در مراحل پایانی پروژه، هزینه‌های سنگینی به کارفرما و پیمانکار تحمیل خواهد کرد.

تدارکات و خرید نیز از دیگر حوزه‌هایی است که هوش مصنوعی در آن ظرفیت قابل‌توجهی دارد. پیش‌بینی زمان تأمین کالا، شناسایی تأمین‌کنندگان پرریسک، بررسی سوابق عملکرد فروشندگان و تحلیل احتمال افزایش قیمت یا کمبود یک تجهیز، به شرکت کمک می‌کند تصمیم‌های خرید را پیش از تبدیل شدن مشکل به بحران اتخاذ کند. در کارگاه‌های ساختمانی نیز می‌توان از ابزارهای هوشمند برای پایش پیشرفت فیزیکی، بررسی استفاده از تجهیزات حفاظت فردی، شناسایی رفتارهای ناایمن و کنترل وضعیت فعالیت‌های اجرایی استفاده کرد. این فناوری جایگزین مسئول ایمنی یا مدیر پروژه نمی‌شود، اما می‌تواند دامنه نظارت آن‌ها را افزایش دهد و احتمال وقوع حوادث قابل پیشگیری را کاهش دهد.

با ورود پروژه به مرحله راه‌اندازی و بهره‌برداری، نقش هوش مصنوعی از یک کنترل‌گر پروژه به یک بهینه‌ساز و محافظ فرایند تغییر می‌کند. یکی از مهم‌ترین کاربردهای آن، نگهداری و تعمیرات پیش‌بینانه است. در روش‌های سنتی، برخی تجهیزات بر اساس تقویم زمانی تعمیر می‌شوند و برخی دیگر پس از خرابی مورد رسیدگی قرار می‌گیرند. تعمیر زودهنگام موجب مصرف غیرضروری منابع می‌شود و خرابی ناگهانی نیز ممکن است توقف تولید، آسیب به تجهیزات و حتی حادثه ایجاد کند. هوش مصنوعی با تحلیل داده‌های لرزش، دما، فشار، جریان برق، وضعیت روغن‌کاری و سوابق خرابی می‌تواند نشانه‌های اولیه افت عملکرد را شناسایی و احتمال خرابی را پیش از وقوع اعلام کند.

این قابلیت، تعمیرات را از یک فعالیت واکنشی به فرآیندی پیشگیرانه و پیش‌بینانه تبدیل می‌کند. در نتیجه، واحد بهره‌بردار می‌تواند قطعه مورد نیاز را زودتر تأمین کند، زمان تعمیر را با برنامه تولید هماهنگ سازد و از توقف‌های ناخواسته جلوگیری کند. در صنعتی که توقف حتی چند ساعت یک واحد می‌تواند زیان قابل‌توجهی ایجاد کند، کاهش توقف‌های اضطراری ارزش اقتصادی بالایی دارد. هوش مصنوعی همچنین می‌تواند با تحلیل هم‌زمان متغیرهایی مانند فشار، دما، دبی، ترکیب خوراک و کیفیت محصول، بهترین نقطه عملیاتی را برای افزایش بازدهی، کاهش مصرف انرژی و کنترل آلایندگی پیشنهاد دهد.

مدیریت انرژی از دیگر عرصه‌های مهم استفاده از این فناوری است. هزینه انرژی سهم قابل‌توجهی از هزینه تولید محصولات پتروشیمی را تشکیل می‌دهد و کوچک‌ترین بهبود در عملکرد کوره‌ها، کمپرسورها، پمپ‌ها و واحدهای فرایندی می‌تواند اثر اقتصادی محسوسی داشته باشد. مدل‌های هوشمند با بررسی الگوهای مصرف و ارتباط میان متغیرهای عملیاتی، شرایطی را پیشنهاد می‌کنند که در آن تولید در سطح مطلوب باقی بماند، مصرف سوخت و برق کاهش پیدا کند و کیفیت محصول از محدوده استاندارد خارج نشود. در کنار آن، پایش هوشمند مشعل‌ها، نشتی‌ها، گازهای فرایندی، پساب، مصرف آب و انتشار کربن می‌تواند به مجتمع‌ها در ارتقای عملکرد زیست‌محیطی و تشخیص سریع وضعیت‌های غیرعادی کمک کند.

با وجود این ظرفیت‌ها، پیاده‌سازی هوش مصنوعی در صنعت پتروشیمی ایران با موانع ساختاری مواجه است. نخستین مانع، کیفیت و دسترس‌پذیری داده‌هاست. بسیاری از سامانه‌های صنعتی هنوز به‌صورت جزیره‌ای فعالیت می‌کنند و داده‌های آن‌ها با قالب‌ها و استانداردهای متفاوت ذخیره می‌شود. بخشی از اطلاعات نیز ناقص، تکراری یا فاقد برچسب دقیق است. هوش مصنوعی از داده نامناسب، نتیجه قابل اعتماد تولید نمی‌کند؛ بنابراین پیش از خرید هر سامانه هوشمند، باید برای پاک‌سازی، استانداردسازی، طبقه‌بندی و یکپارچه‌سازی داده‌ها برنامه داشت.
فرسودگی تجهیزات و محدودیت ابزار دقیق نیز چالش دیگری است. اگر حسگرها دقت لازم را نداشته باشند یا داده‌ها با وقفه و خطای زیاد ثبت شوند، مدل هوش مصنوعی نمی‌تواند تصویر درستی از وضعیت فرایند ارائه دهد.

تحریم‌ها و محدودیت دسترسی به برخی تجهیزات، نرم‌افزارها و خدمات پشتیبانی بین‌المللی نیز روند توسعه را دشوارتر می‌کند. از سوی دیگر، کمبود نیروی انسانی که هم‌زمان با مهندسی فرایند، اتوماسیون صنعتی، تحلیل داده و امنیت سایبری آشنا باشد، یکی از خلأهای جدی در مسیر هوشمندسازی است. توسعه هوش مصنوعی بدون تربیت چنین نیروهایی، ممکن است وابستگی شرکت‌ها به فروشندگان فناوری را افزایش دهد.
موضوع امنیت و مالکیت داده نیز باید در مرکز این تحول قرار گیرد. داده‌های مربوط به ترکیب خوراک، ظرفیت تولید، مصرف انرژی، وضعیت تجهیزات، برنامه تعمیرات و عملکرد فرایند، دارایی‌های راهبردی شرکت هستند. اگر این داده‌ها بدون ضابطه در اختیار سامانه‌های عمومی یا ابری قرار گیرند، خطر افشا، استفاده ثانویه یا بهره‌برداری تجاری از آن‌ها وجود دارد. حتی حذف نام مجتمع از داده‌ها نیز به‌تنهایی محرمانگی را تضمین نمی‌کند؛ زیرا الگوهای عملکردی و اطلاعات آماری می‌توانند مزیت رقابتی شرکت را آشکار کنند.

ازاین‌رو، اجرای هوش مصنوعی باید بر پایه سیاست روشن حاکمیت داده انجام شود. برای داده‌های حساس، استقرار داخلی یا استفاده از ابر خصوصی نسبت به سامانه‌های عمومی گزینه امن‌تری است. در قراردادها باید صراحتاً مشخص شود که مالکیت داده‌های خام، داده‌های پردازش‌شده، خروجی تحلیل‌ها و دانش استخراج‌شده متعلق به شرکت است و فروشنده حق استفاده از آن‌ها برای آموزش مدل‌های عمومی، ارائه خدمات به رقبا یا توسعه محصولات تجاری خود را ندارد. انتقال داده نیز باید حداقلی، رمزنگاری‌شده و قابل ردیابی باشد. جداسازی شبکه‌های فناوری اطلاعات از شبکه‌های کنترل صنعتی و جلوگیری از دسترسی مستقیم و کنترل‌نشده هوش مصنوعی به سامانه‌هایی مانند DCS و PLC نیز یک الزام فنی و امنیتی است.

راهبرد موفق برای صنعت پتروشیمی ایران، حرکت یکباره به سمت یک صنعت هوشمند یکپارچه نیست؛ بلکه باید از فرآیندهای هوشمند آغاز شود. انتخاب پروژه‌های کوچک اما اثرگذار، مانند نگهداری پیش‌بینانه یک تجهیز حیاتی، کاهش مصرف انرژی در یک واحد، کنترل هوشمند اسناد یا پیش‌بینی تأخیرهای پروژه، می‌تواند نتایج ملموس و قابل‌اندازه‌گیری ایجاد کند. پس از اثبات ارزش اقتصادی و عملیاتی این پروژه‌ها، دامنه استفاده از هوش مصنوعی می‌تواند به‌تدریج گسترش یابد.

هوش مصنوعی زمانی می‌تواند به پایداری تولید کمک کند که در کنار فناوری، داده باکیفیت، نیروی انسانی توانمند، زیرساخت امن، فرآیندهای شفاف و مدیریت تغییر نیز وجود داشته باشد. هدف نهایی نباید خرید یک نرم‌افزار یا ثبت عنوان «هوشمندسازی» در گزارش‌های سازمانی باشد؛ هدف باید کاهش توقف تولید، افزایش ایمنی، کنترل هزینه، بهبود بهره‌وری و تقویت تاب‌آوری مجتمع در برابر بحران‌ها باشد. در این مسیر، یک اصل باید همواره مورد توجه قرار گیرد: هوش مصنوعی باید در خدمت مالک داده باشد، نه اینکه مالک داده به تأمین‌کننده هوش مصنوعی تبدیل شود./

حسین شهریاری