Çağdaş endüstriyel peyzajda, enerji tüketimi, giderek sıkı çevresel düzenlemelerle karşı karşıya kaldığı en kritik faktörlerden birini temsil ediyor, makine öğreniminin (ML) teknolojileri, üretim, işleme ve üretim tesislerinin etrafındaki enerji kullanımını optimize etmek için dönüştürücü bir çözüm olarak ortaya çıktı.
Nesnelerin İnterneti (IoT) makine öğrenimi (ML) teknikleri ile entegrasyonu, birçok endüstri sektöründe enerji verimliliğini artırmak için uygulanabilir bir strateji olarak ortaya çıktı. Bu teknolojiler, organizasyonların geleneksel enerji yönetimi yaklaşımlarının ötesine geçmelerini sağlar, maliyet azaltımı, operasyonel optimizasyon ve çevresel uyaranlama fırsatlarının kilidini açar.
Makine Öğrenmesini ve Endüstri Enerji Yönetimindeki Rolünü Anlamak
Makine öğrenimi, bilgisayar sistemlerinin verileri öğrenmesini sağlayan bir alt dizi yapay zekayı temsil eder, modeller tanımlayın ve minimum insan müdahalesi ile kararlar alır. Geleneksel yönetim tabanlı programlama aksine, ML algoritmaları daha fazla bilgi işlem yaptıkları gibi performanslarını zamanla geliştirir, onları özellikle de modern endüstriyel operasyonların karmaşık, dinamik ortamlar özelliği için iyi bir şekilde uygun hale getirir.
Endüstriyel enerji yönetimi bağlamında, makine öğrenme modelleri, sensörler, metre, kontrol sistemleri ve operasyonel veritabanılardan gelen farklı verileri analiz eder ve insan analistlerinin insan müdahalesi olmadan enerji tüketimini en aza indirmelerini sağlar. IoT, üretim sistemlerinden gerçek zamanlı izleme ve veri toplamayı sağlar, enerji kullanımı modellerine değerli bilgiler sağlar.
Industrial Energy Optimizasyonu
Endüstriyel ortamlardaki geleneksel enerji yönetimi öncelikle sistem arasındaki karmaşık bağımlılıklar ve tahmin edici yeteneklerin eksikliği göz önünde bulundurularak önemli kısıtlamalara sahiptir.Bu yaklaşım, inefficiencies tespiti dahil olmak üzere önemli kısıtlamalardan muzdariptir.
Endüstri 4.0'a yönelik küresel eğilim, özellikle yüksek katma değerde, yüksek çözünürlükte, yüksek çözünürlükte, yüksek çözünürlükte, yüksek çözünürlükte, yüksek çözünürlükte, enerji yönetimine yönelik temel bir değişim sağladı ve önemli atık veya operasyonel rahatsızlıklar sonucu ortaya çıktı.
Enerji Optimizasyonu için Anahtar Makine Öğrenme Teknikleri
Çeşitli farklı makine öğrenme yaklaşımları özellikle endüstriyel enerji optimizasyonu için etkili olduğunu kanıtlamıştır:
Süpervize Öğrenme: Bu algoritmaları gelecekteki sonuçları tahmin etmek için tarihsel verilerden alıntılar öğrenir. Enerji yönetimi, denetimli öğrenme modelleri, üretim programları, hava koşulları ve tarihi tüketim kalıplarına dayanan enerji talebini tahmin edebilir, enerji tedarik ve kullanım stratejilerini optimize edebilmelerini sağlar.
Denetimsiz Öğrenme: Bu teknikler, istenmeyen verilerdeki gizli kalıpları tanımlar. Kombinasyon algoritmaları benzer operasyonel devletler veya ekipman davranışları gruplayabilir, verimsiz veya ekipman hataları işaret edebilecek anormal enerji tüketimi kalıpları tanımlamasına yardımcı olabilir.
Derin öğrenme (DL) yapay sinir ağları (ANNs) karmaşık desenleri öğrenmek için çok etkili hale getirir, enerji tahminleri ve şebeke optimizasyonu için son derece etkili hale getirir. diğer yandan, deneme ve hata yoluyla adaptif bir karar verme imkanı sağlar, derin RL daha akıllı ağ otomasyonu ve gerçek zamanlı enerji yönetimi geliştirir.
Endüstri Enerji Optimizasyonu için Makine Öğrenmesinin Kapsamlı Uygulamaları
Tahmin edici Bakım: Başlangıçtan Önce Enerji Atıklarını Önlemek
Tahmin edici bakım, enerji optimizasyonu için makine öğreniminin en etkili uygulamalarını temsil eder. Ekipman bozulması sadece başarısızlığın riskini arttırır - aynı zamanda tam bir kesinti meydana gelmeden önce önemli enerji verimsizliğine neden olur.
Degraded ekipman sadece kırılmıyor - her saat sessiz hemorrhages enerji çalışır. takmak 10-15% daha mevcut. 2 PSI basıncı ile bir kompresör,% 1 verimliliğini kaybeder ve daha uzun döngüler ile çalışır, aynı çıktıyı sunmak için daha yüksek bir amperya dönüşür.
AI tahmin edici bakım, görünür başarısızlıklar haline gelmeden bu enerji tasarrufu modellerini tespit eder - ve ayda binlerce enerji faturanızı şiştirmelerinden önce, AI odaklı enerji yönetimine sahip olan üretim tesisleri ortalama% 12 enerji tasarruflarını rapor eder, motorlarda ve kompresörlerin tahmin edilebilir bir bakım 15-40 oranında azalır.
Makine öğrenme algoritmaları, vibatörler, termal modeller, akustik emisyonlar ve elektrik akım profillerini geliştirme problemlerini gösteren ince değişiklikleri tespit etmek için analiz eder. Enerji Bölümüne göre tahmin edilebilir bakım enerji verimliliğini %20'ye kadar artırabilir.Bu erken algılama, planlama sırasındaki sorunları ele almak için bakım ekiplerinin hem de bozulan ekipman performansı ile ilişkili yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş enerji atıklarını tespit etmesini sağlar.
Bu AI-güçlü yaklaşım, üreticilerin bir makine başarısızlığına neden olandan önce ameliyat koşullarını tespit etmelerine izin verir. Data, bu tahmin edici bakım çözümlerinin planlanmamış alt zaman etkinliklerinde % 47 azaltımına yol açabileceğini, tedarik zincirinin kesintisiz kalmasını sağlar.
Enerji Talep Tahmini ve Yük Optimizasyonu
Enerji talebinin doğru tahmini, endüstriyel tesislerin enerji tedarik stratejilerini optimize etmesini, üst talep suçlamaları azaltmasını ve daha iyi iş sağlayıcıları ile koordine edilmesini sağlar. Makine öğrenme modelleri, enerji tüketimini etkileyen birçok değişkeni dahil ederek, üretim programları, hava tahminleri, ekipman durumu ve tarihi desenleri de dahil olmak üzere bu görevde başarır.
Gelişmiş tahmin sistemleri, çeşitli zaman ufklarında enerji gereksinimleri tahmin edebilir – gerçek zamanlı operasyonel ayarlamalar için önümüzdeki haftalarda veya haftalar boyunca stratejik planlama ve sözleşme görüşmeleri için önceden tahmin edebilir. Bu çok ölçekli tahmin yeteneği, tesislerin talep yanıt programlarına daha etkili bir şekilde katılmasını sağlar, enerji yoğun operasyonlarının kapalı dönemlere geçişlerini optimize eder ve yerinde üretim veya depolama kaynaklarını optimize eder.
WOA-tuned MARS modeli, enerji yönetimindeki enerji optimizasyonu için etkinliğini teşvik eden bir karar alma katsayısı elde eder.Bu tür yüksek hacimli modeller makine öğreniminin enerji yönetimine güvenen tahminlere olanak sağlar.
Süreç optimizasyonu ve Gerçek Zaman Kontrolü
Üretim süreçleri genellikle birden fazla değişken arasında karmaşık bağımlılıkları içerir, manuel optimizasyon son derece zorlu hale getirebilir. Makine öğrenme algoritmaları aynı anda ürün kalitesini ve bağlantılarını korumak için en uygun işletim koşullarını tanımlamak için yüzlerce veya binlerce parametreyi düşünebilir.
DeepGreen-Opt çerçevesi özellikle birden fazla endüstri sektöründe, otomotiv üretimi, çelik üretim tesisleri ve kimyasal işleme tesisleri dahil olmak üzere, akıllı enerji yönetimi önemli operasyonel gelişmeler gösteriyor. DerinGreen-Opt, işletmeler mevcut yaklaşımlarla kıyaslanırken maliyetle etkili bir üretime ulaşabilir.
Makine öğrenimi ile desteklenen gerçek zamanlı kontrol sistemleri, farklı üretim senaryoları için sürekli olarak ısı, basınç, akış oranları ve ekipman hızları gibi süreçleri sürekli olarak ayarlayabilir. Bu sistemler, farklı üretim senaryoları için en iyi şekilde işletim rejimlerini tanımlamak için optimal kontrol stratejileri öğrenir.
Anomaly Tespit ve Enerji Atık Tanımlama
Endüstriyel tesisler genellikle çok sayıda enerji kaybı kaynakları içerir, sıkıştırılmış hava sızıntılarından ve buhar tuzak başarısızlıklarından verimsiz aydınlatma ve kötü kontrollü HVAC sistemlerine kadar. Manually tüm bu konuları büyük, karmaşık tesislerde tanımlamak neredeyse imkansızdır.
Makine öğrenme tabanlı anomaly algılama sistemleri sürekli olarak tüm tesislerin ve ekipmanların genelinde enerji tüketimi modellerini izler. Normal işlemler için temel tüketim profillerini kurarak, bu sistemler ekipman arızaları, işlem verimsizliği veya operasyonel hatalar gibi sorunları gösterebilir.
Basit eş tabanlı alarmlar aksine, ML anomaly algılama, üretim seviyeleri, ortam koşulları ve ekipman yaşı gibi bağlamsal faktörler için hesap verebilir, aksi takdirde genişletilmiş süreler için fark edilmeden sürebilir.
Ürünler Performans Benchmarking ve Optimizasyon
Birçok endüstriyel tesis benzer ekipmandan çok sayıda örneği çalışır - çok fazla üretim hatları, paralel kompresörler, reddant pompalar veya filo araçları. Makine öğrenimi, hangi birimlerin en verimli ve neden çalıştığını tanımlamak için bu benzer varlıklardaki performans verilerini analiz edebilir.
Bu kriterleme kapasitesi, en iyi uygulamaları tanımlamak için tesislere olanak sağlar, bakım veya ayarlamayı gerektiren donanımları tespit eder ve operasyonel stratejileri optimize edebilir. Örneğin, ML algoritmaları, mevcut talep ve ekipman durumuna göre yüklemenin en enerji verimli yolunu belirleyebilir.
Bina Yönetimi ve HVAC Sistemleri ile entegrasyon
Isıtma, havalandırma ve klima sistemleri birçok endüstriyel alanda önemli enerji tüketicilerini temsil ediyor, genellikle bazı sektörlerde toplam enerji kullanımı% 30-40'ı muhasebektedir. Makine öğrenimi, ccupancy, üretim programları, hava tahminleri ve binanın termal özelliklerini öğrenmekle dramatik bir şekilde artırabilir.
Gelişmiş ML tabanlı bina yönetimi sistemleri, önceden belirlenmiş zamanlarda ısıtma ve soğutma yüklerini tahmin edebilir ve enerji kaybının tespit edilebilir veya kontrol mantığı hataları gibi gerçek ihtiyaçlara ve havalandırma oranlarına dayanan dinamik olarak ayarlanabilir.Bu sistemler aynı zamanda da, başarısız sensörler veya kontrol mantığı hataları gibi problemleri teşhis edebilir.
Makine Öğrenme-Driven Enerji Yönetiminin Gerçek Faydaları
Temel Maliyet Tasarrufları ve ROI
Enerji optimizasyonu için makine öğreniminin finansal yararları önemli olabilir ve genellikle birden fazla boyutta ortaya çıkabilir. Doğrudan enerji maliyetleri tasarruf sonucu azaltılan tüketim, optimize edilmiş talep yönetimi ve zaman kullanım fiyat yapılarında daha iyi kullanım.
Deloitte tarafından yapılan bir rapora göre, planlanmamış düşük zaman maliyetleri endüstriyel üreticiler yıllık olarak tahmin edilen 50 milyar dolar, bu kayıpların büyük bir kısmını oluşturuyor. Ekipman başarısızlıklarını önlemek ve bakım programlarını optimize etmek, ML-güdümlü sistemler hem doğrudan bakım maliyetlerini azaltır ve üretim kesintileriyle ilişkili dolaylı maliyetlerle ilişkilendirilir.
Bir küresel üretici, robotlar, konveyörler, damla asansörler, pompalar, motorlar ve fanlar ve basın /stamping makineleri dahil olmak üzere 10.000'den fazla makine izlemek için bir AI sistemi kullanıyor.
ML tabanlı enerji optimizasyon sistemleri için yatırım geri dönüş genellikle oldukça hızlı. Birçok kuruluş raporu bir yıldan daha az geri ödeme süresi, sistemler öğrenmeye ve geliştirmeye devam eden tasarruflarla birlikte yıllarca devam etmektedir.
Çevresel Etki ve Sürdürülebilirlik Hedefleri
Finansal değerlendirmelerin ötesinde, makine öğrenimi aracılığıyla enerji optimizasyonu, organizasyonların sürdürülebilirlik taahhütleri ve düzenleyici gereklilikleri karşılamalarına yardımcı olan önemli çevresel avantajlar sunar. Enerji tüketimi doğrudan daha düşük gaz emisyonlarına çevirir, özellikle de elektrik neslinin fosil yakıtlara dayandığı bölgelerde.
Endüstri operasyonlarından önemli enerji tüketimi ve ilişkili CO2 emisyonları fabrikalar ve çevre toplulukları için önemli çevresel ve ekonomik zorluklar oluşturuyor. Sanayi enerji yönetimi bağlamında, çelik endüstrisi büyük bir enerji tüketicisini temsil ediyor. Bu sektörde enerji kullanımını optimize etmek, ekonomik teşvikler ve teknolojik gelişmelerin bir kombinasyonunun etkisi altında.
Madencilik endüstrisi, küresel enerji tüketiminin %10'undan fazlasının sorumlu olduğu enerji yoğun sektörlerden biridir. Kırklama ve taşlama süreçleri sadece bir maden toplam enerji kullanımının yaklaşık% 50'sini hesaplayabilir. Benzer enerji yoğunluğu diğer birçok endüstriyel sektöre karakterize eder, verimliliğin büyük ölçüde azaltılmasına bile yardımcı olur.
Acil durakları minileştirerek daha az enerji kullanın, bu genellikle enerji yoğun yeniden başlatmaları, sistem purges veya temel tüketimleri artırmak için karbon emisyonlarını azaltın.
Geliştirilmiş Operasyonel Verimlilik ve Ekipman Yeniden kullanılabilirlik
Makine öğrenme odaklı enerji optimizasyonu, enerji tasarruflarının ötesinde, optimum durumda ekipman ve üst verimlilikteki işletim süreçlerinin sürdürülmesi ile bu sistemler genel operasyonel performans, ürün kalitesi ve varlık güvenilirliği geliştirir.
AI-güdümlü PdM, planlanmamış alt zaman, daha düşük bakım maliyetleri azaltır ve kritik enerji varlıklarının ömrünü genişletir. Deep learning models, özellikle convolutional sinir ağları (CNNs) ve mevcut sinir ağları (RNNs), tahmin edilebilir doğruluk açısından, F1-kesinlikle %90'ı aştı.
Üretimde, tahmin edici bakım genellikle yedek parçaları tüketim ve iş saatlerini 10-20% oranında azaltır, çünkü servis ölçülebilir bozulma ile tetiklenir, sabit takvimlerden ziyade, robot kolları rapor bakımında tahmin edilebilir bakım kullanan otomotiv santralleri, yalnızca sabit tarifeler yükselirken, dağıtım sistemlerindeki tüm kesintiler azalır.
En uygun parametreler içinde çalışan ekipman daha az aşınma ve stres, faydalı yaşam uzatıyor ve büyük aşırılık veya yedeklerin frekansını azaltır. Bu uzun süre boyunca, sermaye harcamalarını gereksinimlerini azaltıp endüstriyel ekipmanla ilişkili çevresel etkileri azaltın.
Data-Driven Decision Making and Strategic Insights
Belki de ML tabanlı enerji yönetim sistemlerinin en değerli faydalarından biri, karar vericilere verdikleri eylemsel öngörülerin zenginliğidir. Bu sistemler enerji tüketimi kalıpları, ekipman performansı, süreç verimliliği ve stratejik planlama ve yatırım kararlarını bildiren operasyonel eğilimlerdir.
Tesis yöneticileri hangi süreçlere, ekipmana veya operasyonel uygulamaların en enerjiyi tükettiğine göre görünür hale gelir, hedefli geliştirme girişimlerine olanak sağlar. Enerji yöneticileri, sitedeki üretimlere veya enerji depolama yatırımlarına ilişkin fırsatları belirleyebilir. Executives, endüstri standartlarına veya tesislere karşı performansa doğru ilerlemeyi izleyebilir.
Bu gelişmiş görünürlük ve enerji dinamiklerinin anlaşılması, tüm organizasyon seviyelerinde daha fazla bilgi sahibi olma, gerçek zamanlı operasyonel düzenlemelerden uzun vadeli sermaye planlama ve stratejik yönde daha fazla bilgi sahibi olur.
Endüstri-Specific Applications and Case Studies
Üretim ve Discrete Prodüksiyon
Üretim tesisleri, ekipman çeşitliliği nedeniyle eşsiz enerji zorluklarıyla karşı karşıyadır, üretim programlarında değişkenlik ve süreçler arasındaki karmaşık bağımlılıklar. Bu sektörde makine öğrenimi uygulamaları, enerji maliyetlerini en aza indirmek için üretim planlamalarına odaklanır, en iyi ekipman performansını azaltmak için koordinasyona odaklanır.
Enerji kaynaklarının önemli bir küresel tüketicisi olarak, üretim sektörü sürdürülebilirlik sorunlarıyla karşı karşıyadır. ML-yeterli çözümler, üreticilerin enerji verimliliği ile üretim gereksinimlerini dengelemelerine yardımcı olur, enerji yoğun operasyonlarının tükenme süreleri veya toplu boyutlarının optimize edilmesi ve üretilen birim başına enerji tüketimini en aza indirmek için fırsatlar tanımlamalarına yardımcı olur.
Çelik ve Metal Üretim
Çelik endüstrisi en enerji yoğun üretim sektörlerinden birini temsil ediyor, enerji optimizasyonu özellikle rekabetçi ve sürdürülebilirlik için kritik hale getiriyor. Endüstri enerji yönetimi bağlamında, çelik endüstrisi büyük bir enerji tüketicisini temsil ediyor.
35,040 gerçek dünya enerji tüketimi kaydı Güney Kore'de Gwangyang Steelworks'ten elde edilen bir veri kümesini kullanarak, diğer regresyon tekniklerine karşı kıyasla ölçüldü (Va, lasso ve elastik-net), önerilen WOA-MARS yaklaşımının, çelik üretimindeki önemli bir gelişme elde ettiğini gösteriyor.
Çelik üretimdeki makine öğrenme uygulamaları, en iyi şarj stratejileri tahmin eder ve ürün kaliteli özellikleri korumak için maliyetleri en aza indirmek için enerji yoğun süreçleri koordine eder.
Kimyasal İşleme ve Refining
Kimyasal bitkiler ve rafineriler, yüksek kaliteli özellikler ve ısıtma, soğutma, ayrılık ve reaksiyon süreçleri için sürekli süreçler işletiyor. ML algoritmaları, bu karmaşık süreçleri ürün özellikleri altındayken en iyi işletim koşullarını tespit ederek optimize ediyor.
İlk olarak, enerji sektörü üzerinde, sistem zamanlamasının endüstriyel talep yanıtını optimize etmek için kullanıldığı yer (IDR) üretim süreçlerinin esnekliği aracılığıyla.İkincisi üretim sürecinden kaynaklanmıştır, özellikle de çelik, kimyasallar ve makine üretimi gibi enerji yoğun endüstrilerde.
Gelişmiş kontrol sistemleri, yemstock özelliklerini, ortam koşullarını ve üretim gereksinimlerini değiştirmek için sürekli olarak ayarlayarak güçlendirmeyi ve geleneksel kontrol yaklaşımlarıyla mümkün olabilecek enerji tasarruflarını sağlamak.
Madencilik ve Mineral İşleme
Madencilik, en enerji yoğun endüstriyel sektörler arasında, sondaj, ezilme ve veya önemli operasyonel maliyetleri ve çevresel etkileri kullanarak işleme gibi süreçlerle ilgilidir. Etkili enerji yönetimi, özellikle de karbonizasyon hedefleri ve karmaşıklıkları bağlamında, uzaktan site operasyonlarının kapsamını ele almak için kritiktir. Makine Öğrenmesi (ML) tahmin edici bakım yoluyla enerji kullanımını optimize etmek, talep etmek ve gerçek zamanlı işlem.
Makine Öğrenmesi (ML) bu bağlamda dönüştürücü bir araç olarak ortaya çıktı, tahmin edilebilir, uyarlanabilir ve karmaşık madencilik operasyonlarının gerçek zamanlı kontrolü. Yapay Neural Networks (ANNs), Donma Öğrenme (RL), ve hibrit modeller, tüketim kalıpları, madencilik değeri zincirindeki kaynakların kullanımını belirleyebilir. Örneğin, ML kullanarak tahmin edilebilir bakım kullanımı zaten ekipmanlarını azaltmayı ve ilişkili enerji kayıplarının azaltılmasını göstermiştir.
Madencilik operasyonları özellikle ML-güdümlü ezilme ve taşlama devrelerinden faydalanır, bu da çoğu madencilik operasyonlarında en büyük enerji tüketicilerini temsil eder. Bu süreçleri veya özelliklere göre optimize ederek, ekipman koşulu ve alt ölçek gereksinimleri, önemli enerji tasarrufları elde edilebilir.
Gıda ve İçecek İşleme
Gıda ve içecek tesisleri katı hijyen gereksinimleri, sıcaklık duyarlı süreçler ve değişken üretim programları dahil olmak üzere eşsiz zorluklarla karşı karşıyadır. Bu sektörde enerji optimizasyonu soğutma sistemleri, yemek ve geçmişleme süreçleri ve temizlik işlemlerine odaklanmaktadır.
Makine öğrenme sistemleri soğutma yüklerini tahmin ederek soğutmayı optimize eder ve kompresörlü ekipman performansını azaltırken, soğutmalı sızıntılar veya ısı değiştirici fouling gibi verimleri tanımlar. Tahmin edici bakım, gıda güvenliğini tehlikeye atabilirken, aynı zamanda enerji kaybının degraded ekipman performansından azaltılabilir.
Uygulama Stratejileri ve En İyi Uygulamaları
Data Infrastructure and Sensör Deployment
Enerji optimizasyonu için makine öğreniminin başarılı uygulanması sağlam veri altyapısı oluşturmaya başlar. Bu temel, ilgili operasyonel verileri yakalamak, güvenilir veri toplama ve depolama sistemlerini uygulamak ve uygun kalibrasyon ve bakım yoluyla veri kalitesini sağlamak için uygun sensörler ve metreler dağıtmayı içerir.
Anahtar veri kaynakları genellikle elektrik metrelerini çeşitli seviyelerde granularity, sıcaklık ve baskı sensörleri kritik ekipman ve süreçler üzerinde içerir, sıkıştırılmış hava ve buhar, titreşim ve akustik sensörler gibi çözümler için yuvarlanır ekipman ve üretim verileri üretim yürütme sistemleri.
Veri toplamanın ölçek ve frekansı depolama ve işleme maliyetlerine karşı ayrıntılı bilgi için ihtiyaçtır. Gerçek zamanlı veya yakın zamanlı veriler, yanıtlı kontrol ve hızlı bir şekilde algılama sağlarken, tarihsel veriler modelleme eğitimi ve uzun vadeli trend analizi destekler.
Model Geliştirme ve Geçerlilik
Enerji optimizasyonu için etkili makine öğrenme modelleri geliştirmek, alan uzmanlığı, veri bilimi yetenekleri gerektirir ve iterative rafineriment. Süreç genellikle tüketim modellerini anlamak, ilgili özellikleri tanımlamak ve veri kalite sorunlarını tespit etmek için açıklayıcı veri analizi ile başlar.
Model seçimi belirli uygulamaya bağlıdır - açıklayıcı modeller anomali algılama sistemlerinden farklıdır, bu optimizasyon kontrolörlerinden farklı. Çoklu modelleme yaklaşımları değerlendirilmelidir, tahmin doğruluk, yanlış alarm oranları veya enerji tasarrufları gibi uygun ölçümleri kullanarak değerlendirilmelidir.
Geçerlilik, modeller üretim ortamlarında güvenilir bir şekilde performans sağlamak için önemlidir. Bu, gerçek sonuçlara karşı geçerli olan öngörüleri ve yeniden eğitim gerektiren bozulmaları tespit etmek için zaman içinde modellemeyi gerektirir.
Mevcut sistemlerle entegrasyon
AI'nın mirası daha da karmaşık dağıtım, uygulanabilir çözümler ve maliyetle elde edilen AI kabul stratejilerine uygun olarak, bu zorlukların çözümü, gelişmiş siber güvenlik protokolleri ve ölçeklenebilir AI çözümlerinin endüstriyel ayarlara uygun olarak kullanılmasını gerektirir.
ML tabanlı enerji yönetimi sistemleri mevcut kontrol sistemleri, bina yönetimi platformları ve kurumsal yazılımlarla entegre edilmelidir. Bu entegrasyon, kümesleri, zamanlama bakımlarını ayarlamak veya alarmları tetiklemek gibi ML-bazlara otomatik yanıt verir.
Entegrasyon yaklaşımları basit veri değişiminden ve ML algoritmalarının doğrudan operasyonel parametreleri ayarladığı kapalı-loop kontrolüne dikkat çekerek. Uygun entegrasyon seviyesi organizasyonel hazırlığa, sistem kritikliğe ve model performansına olan güvene bağlıdır.
Değişim Yönetimi ve Organizasyonel Kabul
Teknoloji tek başına başarı garanti etmez - organize edici faktörler genellikle ML tabanlı enerji optimizasyonunun tam potansiyelini sunup sunacağını belirler. Başarılı uygulamalar, sistemleri kullanan operasyonel personelden satın almak, sistem önerilerine cevap vermek için eğitim gerektirir.
Belirli alanlarda pilot projelerle başlamak, kuruluşların değer, rafineri yaklaşımlarını göstermesi ve daha geniş dağıtımdan önce uzmanlık kurmalarına izin verir. Erken, ek uygulamalara ve tesislere genişlemeye yönelik ivme ve destek sağlamada yardımcı olur.
Model güncelleştirmeleri, performans izlemesi ve sürekli iyileştirme etrafında net bir yönetişimi kurmak, sistem performansının düzenli incelemeleri, enerji tasarruflarının elde edilmesi ve devam eden değere ulaşma fırsatlarının etkili olmasını sağlar.
Zorluklar ve Engeller Uygulamaya
Data Quality ve Müsaitlik Durumu
Makine öğrenme modelleri sadece öğrendikleri veriler kadar iyidir. Birçok endüstriyel tesis kapsamlı enerji izleme eksikliği, ayrıntılı işlem veya ekipman yerine faturalama noktalarına sınırlı toparlama noktalarına sahip. Tarihsel veriler eksik, tutarsız veya boş formatlarda depolanabilir.
Bu kağıt ayrıca, veri kalitesi, modelleme yorumlanabilirliği ve ölçeklenebilirlik dahil olmak üzere ML modellerini uygulamakla ilgili zorluklar ve kısıtlamalara da hitap etmektedir. Sensör hataları, kalibrasyon sürüklenme ve iletişim hataları, veri akışlarında gürültü ve boşlukları tanıtabilir.
Cybersecurity ve Data Privacy Endişeler
Endüstriyel sistemlere ML işleme için veri ağlarına ve bulut platformlarına bağlanmak siber güvenlik risklerini ortaya koyar. Operasyonel teknoloji (OT) sistemleri geleneksel olarak IT ağlarından izolasyonda çalışır, ancak ML uygulamaları genellikle bu boşluğu doldurmayı gerektirir.
Organizasyonlar ağ segmentasyonu, şifreleme, erişim kontrolleri ve siber tehditlere karşı korumayı sağlamak için sağlam güvenlik önlemleri uygulamalıdır. Veri erişimi ve sistem entegrasyonu için ihtiyaç duyulan güvenlik gereksinimleri dikkatli bir mimari ve devam eden vigilance gerektirir.
Data gizliliği gözlüğü de ortaya çıkabilir, özellikle enerji verileri üretim süreçleri, hacimler veya programlar hakkında özel bilgileri ortaya çıkarabilir. Bu endişelere ulaşma ve erişim kontrolleri bu endişelere hitap etmeye yardımcı olabilir.
Beceri Gap ve Yetenek Gereksinimleri
ML tabanlı enerji optimizasyon sistemlerinin uygulanması ve sürdürülmesi, geleneksel endüstriyel kuruluşlarda var olabilecek bir yetenek kombinasyonu gerektirir. Data bilim adamları ML algoritmaları anlar ancak endüstri süreçleri ve enerji sistemleri hakkında alan bilgisi eksikliği olabilir. Enerji mühendisleri fiziksel sistemleri anlayabilir ancak veri bilimi uzmanlığından yoksun olabilirler.
Bu boşluğun incelenmesi, eğitim ve işe alım yoluyla iç yetenekleri geliştirmek veya dış uzmanlarla ortak olmak veya kullanıcı dostu platformlarda ML yeteneklerini barındıran satıcılar çözümleri kullanmak gerektirir.Her yaklaşım maliyet, kontrol ve özelleştirme açısından ticarete sahiptir.
Model Yorumability and Trust
Birçok güçlü ML algoritmaları, özellikle derin öğrenme modelleri, tahminlerin arkasındaki sebeplerin veya önerilerin şeffaf olmadığı “kara kutular” olarak faaliyet göstermektedir. Bu yorumlama eksikliği, operasyonel olarak ML'ye güvenme ve hareket etme konusunda tereddüt yaratabilir.
Bu yararlarına rağmen, veri güvenliği, model yorumlanabilirlik ve yetkili personel önemli kalır.Bu engelleri aşmak için araştırma, açıklanabilir AI (XAI) çerçeveleri ve güçlü siber güvenlik üzerinde odaklanmaktadır. Model akıl yürütmeye yardımcı olan AI tekniklerini açıklayabilir ve bu önerilerin domain bilgilerini doğrulamasını sağlar.
Legacy Systems ile entegrasyon
Yararlı bakım bazı gerçek zorluklara rağmen. Birçok miras sistemi gerekli sensörler veya dijital arayüzlere sahip değildir, bu yüzden onlara veri çeviri katmanları eklemek zorundasınız.
Endüstriyel tesisler genellikle on yıllar önce olabilecek ekipman ve kontrol sistemleri içerir, modern iletişim yetenekleri veya veri arayüzleri eksik. Bu sistemleri ML uygulamaları teknik olarak zor ve pahalı olabilir.
Çözümleri, dış sensörler ve veri satın alma sistemleri, kenar bilişim cihazlarının modern platformlara köprülmesini ve eski sistemler için yükseltme planlarken yeni ekipman için ML uygulamaları önceliklendirmesini içerir.
Trendler ve Gelecek Yolları
Edge Computing ve Dağıtılmış İstihbarat
Geleneksel ML uygulamaları genellikle modelleme eğitimi ve çıkarım için merkezileştirilmiş bulut bilişimine güvenir. ancak, kenar bilişimi - yerel olarak endüstriyel ekipman üzerinde işlem yapmak - gerçek zamanlı kontrol için geç kalmış birkaç avantaj, ağ kesintileri sırasında devam eden, daha düşük bant gereksinimleri ve veri güvenliği.
Edge AI, RUL tahminleri ve dijital ikizler endüstriyel bakım geleceği için güçleniyor. kenar bilişim donanımı ve yazılımdaki ilerlemeler, doğrudan endüstriyel ekipman veya yerel ağ geçitler üzerinde karmaşık ML modellerini dağıtmayı daha da mümkün kılıyorlar.
Dijital Twins ve Sanal Komisyon
Dijital ikizler - fiziksel varlıkların veya süreçlerin gerçek kopyalarını - ML tabanlı optimizasyon için güçlü platformlar olarak ortaya çıkıyor.Sekiz ekipman veya tüm tesislerin ayrıntılı simülasyonları yaratarak, organizasyonların optimizasyon stratejilerini test edebilir, gerçek operasyonları bozmadan ML modellerini tahmin edebilir.
Dijital ikiz ve büyük veri odaklı sürdürülebilir akıllı üretim, enerji yoğun endüstriler için bilgi yönetimi sistemleri üzerine kuruludur. Dijital ikizler ile ML entegrasyonu, gerçek dünya performansına karşı sanal modelleri sürekli kalibrasyonunu, stratejik planlama için senaryo analizi ve hızlandırılmış geliştirme ve yeni optimizasyon yaklaşımlarının test edilmesini sağlar.
Federated Learning and Cross-Factitude Optimizasyonu
Birden fazla tesisle organizasyonlar, veri gizliliğine ve yerel operasyonel farklılıklara saygı duyan sitelerdeki donanıma karşı öngörücülerle karşı karşıya kalır. Federated learning, ML modellerinin hassas bilgiler olmadan birden çok yerde bilgi edinmelerini sağlar.
Bu yaklaşım, örgütlerin çeşitli işletim koşullarından ve ekipman konfigürasyonlarından öğrenerek daha sağlam modeller geliştirmelerine olanak sağlar, yerel kontrol ve veri egemenliğini korurken, daha etkili bilgi paylaşımı ve optimizasyonları dağıtılır endüstriyel işlemlerde sağlayacaktır.
Yenilenebilir Enerji ve Mikrogridlerle entegrasyon
Endüstriyel tesisler giderek yenilenebilir nesil ve enerji depolamaya dahil edildiği gibi, ML tabanlı optimizasyon daha da değerli hale gelir. Bu sistemler değişken yenilenebilir çıktı, depolama şarj ve ayrıştırma, şebeke ithalatı ve ihracat ve tesis yüklerini en aza indirmek ve en üstlenebilirlik sağlamak için yükleri koordine etmelidir.
Benzer şekilde, derin takviye öğrenme modelleri mikrogridlerde dinamik enerji tahsisini sağladı, uzak alanlarda düşük emisyonlu madencilik operasyonlarına izin verdi. Makine öğrenme algoritmaları yenilenebilir nesil, depolama kullanımını tahmin edebilir ve tesislerin güvenli bir şekilde finanse edilmesi için tesislerin operasyonlarını koordine edebilir ve şebeke stabilitesini ve minimi talep suçlamaları devam ederken.
Özerk ve Kendi kendini optimize eden sistemler
Endüstriyel enerji yönetimindeki ML için nihai vizyonu, sürekli performans izlemek, optimizasyon fırsatları tanımlamak, gelişme uygulamak ve insan müdahalesi olmadan sonuçlar öğrenmektir. Tüm otonom operasyon bu hedefe doğru hızla ilerliyor olsa da, bu hedefe doğru ilerleme hızlanıyor.
Gelişmiş takviye öğrenme sistemleri zaten bağımsız olarak belirli süreçleri optimize edebilir, kalite ve yönlendirmeyi korumak için enerji tüketimini en aza indirmeyi seçebilir. Bu sistemlere olan güven büyüdükçe ve düzenleyici çerçeveler gelişti, otonom operasyon kapsamı genişletecektir.
Geliştirilmiş Model Yorumulanabilirlik ve Açıklanabilir AI
Tanımlanabilir AI, ML modelinin daha şeffaf ve anlaşılır hale getirilmesini sağlayan teknikler üretmektedir. Bu gelişmeler ML sistemlerinde güven inşa etmeye yardımcı olacaktır, operatörlerin önerileri doğrulamasına ve katı belgelerle endüstrilere yasal uyum sağlamalarına yardımcı olacaktır.
Future araştırması, hassas ve hesaplama hız arasında daha iyi bir denge bulmayı amaçlayan karmaşık esneklik domain hesaplamalarını hızlı bir şekilde yerine getirebilecek ve karmaşık esneklik domain hesaplamalarını hızlandıracak şekilde eğitmek için analitik bir model basitleştirme teknikleri veya makine öğrenimi gibi hibrid yöntemlere odaklanmalıdır.
Dikkat mekanizmaları, önemli analizler ve ters açıklamalar gibi teknikler, modellerin neden belirli tahminler veya önerileri oluşturduğunu, ML sistemlerini belirli olmayanlara daha erişilebilir hale getirmelerine yardımcı olur ve sorunlar ortaya çıktığında debug daha kolay.
Politika, Düzenleme ve Ekonomik Tahminler
Teşvik ve Destek Programları
Birçok hükümet ve hizmet endüstriyel enerji verimliliği geliştirmeleri için teşvikler sunar, izleme ekipmanları için yeniden yapılanmalar, pilot projeler için hibeler ve kanıtlanmış enerji tasarrufu için performans temelli teşvikler.Bu programlar ML tabanlı enerji optimizasyon uygulamaları ekonomisini önemli ölçüde artırabilir.
Organizasyonlar proje planlamasında erken araştırmalıdır, program gereksinimleri sistem tasarımını, ölçüm ve doğrulama yaklaşımlarını etkileyebilir ve uygulama zaman çizelgesini uygularlar. Bazı programlar özellikle ML ve AI gibi gelişmiş teknolojileri hedefletir, derin enerji tasarruflarını tanır.
Karbon Fiyatlama ve Emisyon Yönetmelikleri
Karbon fiyatları ve emisyon düzenlemeleri, enerji optimizasyonu için değer önermesini artırır. Karbon emisyonlarının maliyeti vergiler, kap-ve ticaret sistemleri veya düzenleyici sınırlar yoluyla yükselirken, ML-ye dayalı enerji azaltımının finansal yararları orantılı olarak artmaktadır.
Emisyon raporlama gereksinimlerine tabi olan kuruluşlar, ölçüm doğruluğunu geliştirmek için ML sistemlerini kullanabilir ve uyumluluk gösterebilirler. Bu sistemler tarafından sağlanan ayrıntılı veriler ve analitik sağlam emisyonlar muhasebe ve doğrulamayı destekler.
Grid Services ve Talep Yanıt
ML-optize edilen endüstriyel tesisler, şebeke hizmetleri pazarlarına katılmak ve cevap programlarına katılmak için iyi bir şekilde tahsis edilir.Sağlı olarak esnekliklerini tahmin ederek ve ağ sinyallerine hızlı bir şekilde cevap verebilir, bu tesisler şebeke stabilitesini desteklerken ilave gelir üretebilir.
Makine öğrenimi, mevcut esnekliği tahmin ederek bu programlara daha sofistike katılımı sağlar, teklif stratejileri optimize eder ve operasyonel etkiyi en aza indirmek için yük ayarlamalarını optimize eder.Kar hizmetleri piyasaları daha hızlı yanıt ve daha hassas, ML-kanık tesislerin rekabetçi avantajlarına değer verir.
Uygulama için bir Roadmap inşa edin
Değerlendirme ve Fırsat Tanımlama
Organizasyonlar ML enerji optimizasyon yolculuğuna başlıyor, mevcut enerji kullanımı, mevcut izleme yetenekleri ve potansiyel fırsatlar hakkında kapsamlı bir değerlendirme ile başlamalıdır. Bu değerlendirme, yüksek tutarlı uygulamaları, adresleme ihtiyacı olan veri boşluklarını tanımlar ve değer gösterebilir.
Enerji denetimleri, benzer tesislere karşı karşılaştırmalar ve paydaş görüşmeleri potansiyel tasarruflara, uygulama karmaşıklığına ve stratejik uyuma dayalı fırsatları önceliklendirmeye yardımcı olur.Bu önceliklendirme rehberleri kaynak tahsisi ve girişimlerin ayrımı.
Pilot Projeler ve Kavramın Kanıtı
Kapsamlı dağıtıma hemen denemeden ziyade, başarılı kuruluşlar genellikle değer gösteren ve organizasyonel kapasite inşa eden odaklanmış pilot projelerle başlar. İdeal pilot uygulamaları net başarı ölçümleri, yönetilebilir kapsamı ve daha geniş bir kabul için destek oluşturmak için yüksek görünürlük.
Pilot projeler, yararları ölçmek için titiz ölçüm ve doğrulama dahil etmeli ve ölçeklendirmeden önce gerekli düzeltmeleri tanımlamalıdır. Pilotlarda başarı, risk ve yatırımın açıklanmamış yaklaşımlarda limitli risk ve yatırım için güven ve ivme inşa etmektedir.
Scaling ve Sürekli İyileştirme
Başarılı pilotlar sonra, organizasyonlar ML enerji optimizasyonunu ek uygulamalara, ekipmana veya tesislere ölçeklenebilir. Scaling stratejileri, yerel koşullara ve gereksinimlerine uyum sağlamak için uygun olan yaklaşımları öğrenmeli ve esneklik sağlamalıdır.
Sürekli iyileştirme süreçleri, sistemlerin koşullar olarak etkili kalmasını sağlar. Düzenli performans incelemeleri, yeni verilerle yeniden eğitim ve zaman içinde değer sağlama ve geliştirme sağlar. Tesisler arası uygulama toplulukları bilgi paylaşımı ve işbirliği problem çözme sağlar.
Path Forward: Makine Öğrenmesi Endüstriyel Sürdürülebilirlik Köşesi Olarak Öğrenme
Bu teknolojilerin önemli enerji tasarruflarını sağlamak için potansiyelinin altını çizen bulgular, bu nedenle Endüstri 4.0 çağında daha sürdürülebilir ve verimli üretim süreçlerine katkıda bulunuyor. Dünya çapındaki endüstri sektörlerindeki sanayi sektörleri ekonomik rekabet ve çevresel sorumluluklarla karşı karşıya, makine öğrenimi, enerji tüketimini optimize etmek için vazgeçilmez bir araç olarak ortaya çıktı.
Çeşitli endüstrilerdeki uygulamalardan gelen kanıtlar, ML-güdümlü enerji optimizasyonunun önemli, ölçülebilir fayda sağladığını gösteriyor ki, maliyet tasarrufları genellikle% 15-20'yi aşıyor, gaz emisyonlarının önemli azaltımı, geliştirilmiş ekipman güvenilirliği ve operasyonel verimlilik, ve daha iyi stratejik karar verme sağlayan enerji dinamiklerine görünür.
Bu çalışma hem AI odaklı enerji optimizasyonunun yenilikleri hem de zorlukları, akıllı üretim gelecekteki büyüyen rolüne dair öngörüler sunar. Bulgular, AI, veri analizleri ve endüstriyel otomasyonların sürdürülebilir, akıllı ve enerji verimli endüstriyel ekosistemler geliştirme ihtiyacını vurgulamaktadır.
Zorluklar kalırken - veri kalitesi sorunları, entegrasyon karmaşıklığı, beceriler boşlukları ve siber güvenlik kaygıları dahil - yörünge açık. kenar bilişimdeki gelişmeler, açıklanabilir AI, besleyici öğrenme ve dijital ikiz teknolojiler mevcut sınırlamaları ele alır ve mümkün olan kapsamı genişletir.
Alabi et al., IES'deki optimizasyon yöntemleri ve makine öğreniminin (ML) teknik uygulamalarının ayrıntılı bir bakış açısı sağladı, bilimsel makalelerdeki entegre ML'nin hala Infancy'de olduğunu vurgulayan bulgular AI'nın şu anda sadece küçük bir kısmını enerjiyle ilgili alanları etkilediğini ortaya koyuyor ancak enerji ile ilgili patentlerin sayısı 17 kat daha fazladır.
Enerji optimizasyonu pozisyonu için makine öğrenimine sahip olan kuruluşlar kendilerini endüstriyel inovasyonun ön saflarında, daha düşük işletme maliyetlerinden rekabetçi avantajları elde ederler, sürdürülebilirlik bilgilerini geliştirir ve üstün operasyonel performansı geliştirirler. ML teknolojileri olgunluğa devam eder ve daha erişilebilir hale gelir, endüstriyel liderler için soru bu yaklaşımları benimsemekte olup olmadığıdır, ancak mevcut avantajları yakalamak için ne kadar hızlı bir şekilde uygulayabilirler.
Artan enerji maliyetlerinin yakınlaştırılması, çevresel düzenlemeleri sıkılaştırma, ML yeteneklerini ilerletme ve bu teknolojilerle organizasyon deneyiminin artması, eylem için zorlayıcı bir zorunluluk yaratır. Önemli maliyet tasarrufu ve emisyon azaltımı için fırsatların düşmesine yol açan endüstriyel tesisler.
Bu yolculuğa başlamak için, yol ileriye dönük olarak mevcut yetenekleri ve fırsatları değerlendirmek, değer göstermek ve uzmanlık oluşturmak için odaklanmış pilot projelerle başlamak, veri altyapısına ve organizasyon yeteneklerine yatırım yapmak ve sürekli iyileştirmeye odaklanmayı sağlamak için başarılı yaklaşımlar oluşturmakta.
Endüstriyel enerji yönetiminin geleceği akıllı, uyarlanabilir ve giderek daha da özerkdir. Makine öğrenimi, bu dönüşüm için temel sağlar, benzer olmayan verimlilikle çalışabilme olanak sağlarken, çevresel etkileri başarıyla kullanan kuruluşlar endüstrilerini daha sürdürülebilir ve refah bir geleceğe taşıyacaktır.
Daha Fazla Öğrenme için Dış Kaynaklar
Endüstriyel enerji optimizasyonunda makine öğrenme uygulamalarını derinleştirmek isteyen profesyoneller için, birkaç yazarlı kaynak değerli bilgiler ve rehberlik sağlar:
- The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The ABD Enerji'nin Gelişmiş Üretim Ofisi Mevcut teşvik programları hakkında vaka çalışmaları, teknik rehberlik ve bilgi dahil olmak üzere endüstriyel enerji verimliliğine ilişkin kapsamlı kaynaklar sunar.
- The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The Uluslararası Enerji Ajansının Endüstri Bölüm Endüstriyel enerji trendleri, politika gelişmeleri ve teknoloji yenilikleri hakkında küresel perspektifler sağlar, dijitalleşme ve enerji verimliliği konusunda kapsamlı raporlar da dahil.
- Uygulamalı Enerji Dergisi Enerji optimizasyonu, makine öğrenmesi uygulamaları ve endüstriyel sürdürülebilirlik üzerine hakemli araştırma yayınlar, akademik ve endüstri araştırmacılarından gelen öngörüler sunar.
- The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The ISO 50001 Enerji Yönetimi Standart ML tabanlı optimizasyon yaklaşımlarını tamamlayan sistematik enerji yönetimi için bir çerçeve sağlar, organizasyonların gelişim çabalarının oluşmasına yardımcı olur.
- NIST's Smart Manufacturing Program Makine öğreniminin üretim operasyonlarına dahil olduğu gelişmiş teknolojilerin entegrasyonunu, standartlar, en iyi uygulamalar ve uygulama rehberliğinde kaynaklarla keşfedin.
Bu kaynaklar ML tabanlı enerji optimizasyonunun teknik yönlerini ve daha geniş endüstriyel sürdürülebilirlik ve dijital dönüşüm bağlamını anlamak için temeller sağlar. Alan hızla gelişmeye devam ettikçe, bu ve benzer yazar kaynakları aracılığıyla bilgi sahibi olmak, organizasyonlara bilgilendirilmiş kararlar ve etkili çözümler uygulamaktadır.