セメント製造における放出予測、予測、および制御のためのマルチプラント機械学習フレームワーク

arXiv:2604.19903v1 Announce Type: new 要旨: セメント製造は、年間約 300 万トン（Mt）の NOx を排出する最大の産業空汚染の原因の一つです。産業標準の緩和対策である選択的無触媒還元法（SNCR）は NH3 の利用効率が低く、運用の非効率性と原料コストの増加を引き起こします。ここでは、世界中の 4 つのセメントプラントの大規模運用データを用いた、データ駆動型の放出制御フレームワークを開発しました。9 つの機械学習アーキテクチャをベンチマークすることで、データ豊かさの変動により、予測誤差がプラント間で約 3〜5 倍に異なることを観察しました。短期間のプロセス履歴を組み込むことで、NOx 予測精度が約 3 倍向上し、NOx 形成が重要なプロセスメモリを持つことを明らかにしました。これは CO や CO2 に見られる時間スケールの依存性を欠く点との対比が特徴です。さらに、NOx オーバーシャートを 9 分前に予測するモデルを構築し、運用調整のためのバッファを提供しました。開発されたフレームワークは、発生源で NOx 形成を制御し、下流の SNCR で NH3 の消費量を削減します。代替モデルの予測により、クレンカー品質を維持しながら NOx を約 34〜64% 削減でき、年間約 290 トンの NOx 削減と、NH3 の節約による年間約 58,000 ドル相当の経済効果が見込まれます。本研究は、構造変更や追加設備を要さない低排出運転への道筋を提供する、データ駆動型放出制御の汎用性のあるフレームワークを確立し、鉄鋼、ガラス、消石灰など、脱除が難しい他の産業への適用可能性もあります。

arXiv:2604.19903v1 Announce Type: new Abstract: Cement production is among the largest contributors to industrial air pollution, emitting ~3 Mt NOx/year. The industry-standard mitigation approach, selective non-catalytic reduction (SNCR), exhibits low NH3 utilization efficiency, resulting in operational inefficiencies and increased reagent costs. Here, we develop a data-driven framework for emission control using large-scale operational data from four cement plants worldwide. Benchmarking nine machine learning architectures, we observe that prediction error varies ~3-5x across plants due to variation in data richness. Incorporating short-term process history nearly triples NOx prediction accuracy, revealing that NOx formation carries substantial process memory, a timescale dependence that is absent in CO and CO2. Further, we develop models that forecast NOx overshoots as early as nine minutes, providing a buffer for operational adjustments. The developed framework controls NOx formation at the source, reducing NH3 consumption in downstream SNCR. Surrogate model projections estimate a ~34-64% reduction in NOx while preserving clinker quality, corresponding to a reduction of ~290 t NOx/year and ~58,000 USD/year in NH3 savings. This work establishes a generalizable framework for data-driven emission control, offering a pathway toward low-emission operation without structural modifications or additional hardware, with potential applicability to other hard-to-abate industries such as steel, glass, and lime.