Ny AI-satsning ska optimera massakoket

Företagsforskarskolan Resurssmarta processer satsar på AI-forskning. Med hjälp av processdata utvecklar tre post doc:s vid Linköpings universitet och Chalmers AI-stödda modeller som kan göra massatillverkningsprocessen som kallas sulfatkok mer resurseffektiv. ”Vi gör en strategisk satsning där industrins behov styr åt vilket håll forskningen breddas”, säger Merima Hasani, projektledare för Företagsforskarskolan.

AI har ringats in som ett strategiskt viktigt område av skogsindustrin och nu stöttar stiftelsen Gunnar Sundblads forskningsfond och Skogsindustrins forskningsstiftelse tillsammans med Vinnova en bred satsning på området. I nära samverkan med Företagsforskarskolan Resurssmarta processer kommer två post doc:s vid institutionen för datavetenskap på Linköpings universitet (LiU) att utveckla AI-modeller som ska analysera och optimera sulfatkoket. Även en post doc vid Chalmers ingår i satsningen.

Foto: AnnaNilsen

– Vi ser ett stort intresse för att med hjälp av AI lösa vetenskapliga problem och göra upptäckter inom olika forskningsområden. Satsningen är ett steg mot ett tätare samarbete inom den svenska forskningsverksamheten där AI kan användas både för att förbättra och underlätta forskarnas arbete och bidra med lösningar som gör industrin mer resurseffektiv, säger professor Fredrik Heintz, ansvarig för LiUs AI-forskning.

Ska förbättra delignifieringsprocessen

Sanjay Chakraborty.

Fredrik Heintz är ledamot i AI-kommissionen och ansvarig för forskarskolan WASP, ett omfattande nationellt forskningsprogram inom AI som huvudsakligen är finansierat av Knut och Alice Wallenbergs stiftelse. Tidigare i år påbörjade Sanjay Chakraborty och Ibrahim Delibasoglu sina post doc-tjänster i hans forskargrupp, med fokus på att utveckla AI-modeller som förbättrar delignifieringsprocessen – det processteg där lignin löses ut ur veden så att fibrerna kan friläggas.

– Det gemensamma för våra projekt är att vi bygger AI-modeller av processdata och att vi mäter och analyserar flera parametrar för att med större exakthet kunna optimera massaprocessen. Det handlar om parametrar som koktemperatur, koktid och kemikaliehalter, samtliga är på olika sätt viktiga för delignifieringsprocessen, säger Sanjay Chakraborty.

Ibrahim Delibasoglu.

Genom att samla in data om parametrarna vid olika tidpunkter av massakoket och analysera dem med hjälp av AI vill forskarna fylla igen de kunskapsluckor som finns där mätutrustning inte är möjlig .

– Med hjälp av förklarande AI vill vi svara på varför vi får ett visst resultat. Hur förklarar vi exempelvis att den kvarvarande ligninhalten varierar mellan olika massor? Istället för att AI-modellen uppfattas som en ”svart låda” som levererar resultat utan insyn i processen får vi en förståelse för de olika parametrarnas påverkan, säger Ibrahim Delibasoglu.

Tränas på storskaliga processdata

I satsningen arbetar LiU nära Södra som delar med sig av sin processdata. Det här är första gången som storskaliga processdata från ett företag används för att få en djupare och grundläggande förståelse av delignifieringsprocessen.

– Vi är positiva till forskning som rör Södras kärnprocesser, satsningen blir ett sätt att ta reda på om och hur vi drar nytta av AI. Vi ser flera möjliga fördelar som minskad resursanvändning, lägre kemikalieanvändning och bättre ekonomi. Idag finns många mätare ute i Södras processer, alla används inte aktivt i dagens styrning och därutöver finns flera okända parametrar som inte mäts. Här tror vi att AI kan bidra till ännu bättre förståelse, speciellt om projektet kan skapa en modell som bygger på kunskapsbaserad AI där redan känd kunskap om processen integreras, säger Fredrik Wernersson Brodin, specialist inom cellulosateknik på Södra.

Stärker processindustrin

Massaindustrin är väletablerad och har tillgång till stora mängder data som kan användas för att träna AI. En utmaning Fredrik Heintz med flera ser är att hitta sätt att samarbeta och dela den data som idag stannar inom företagen. Sådana lösningar skulle lägga grunden för bättre AI-modeller jämfört med vad företagen kan åstadkomma var för sig. Tillgången på all slags data behöver också säkras, ofta finns data för välfungerande processer men för att träna AI-modeller på att hitta fel behövs också data från situationer där det inte gått som önskat.

– Det är välkommet att satsningen dockar i företagsforskarskolan och att vi utvidgas med fler post doc:s. AI-modellerna ska vara generellt tillämpbara och ett av flera verktyg som stärker den forskning som pågår inom Företagsforskarskolan. Det här är en strategisk satsning där industrins behov styr åt vilket håll forskningen breddas och precis som övriga projekt med koppling till Företagsforskarskolan stärker den processindustrin, säger Merima Hasani, projektledare för Företagsforskarskolan Resurssmarta Processer.