- By Lanner
- In Customer Stories
- Posted 08/07/2020
Washington River Protection Solutions (WRPS) est engagé par le département américain de l'Énergie pour gérer le nettoyage du site de Hanford, une zone de 1 500 kilomètres carrés avec 200 000 mètres cubes de déchets nucléaires. Leur mission est de réduire le temps associé au nettoyage, étant donné que les coûts d'hébergement et d'exploitation s'élèvent à des millions de dollars par jour.
Une histoire de collaboration, itérations et innovation
Depuis 2016, Lanner travaille au sein de l'équipe élargie d'ingénierie WRPS Mission Analysis. Ensemble, nous avons placé l'exploitation à l'avant-garde de la simulation prédictive, en utilisant des jumeaux numériques pour soutenir un nettoyage sûr et efficace.
La première phase de notre partenariat a consisté à créer un écosystème de jumeaux numériques. Les modèles initiaux, développés à l'aide du logiciel de simulation prédictive WITNESS Horizon de Lanner, ont aidé à découvrir des goulots d'étranglement jusque-là inconnus et à orienter plus efficacement des millions de dollars d'investissement.
À l'intérieur de l'usine de traitement des déchets WRPS
La deuxième phase de collaboration s’est concentrée sur l’évolution des capacités du jumeau numérique de WRPS pour faciliter une prise de décision meilleure et plus rapide
Le défi : Trouver de nouvelles façons d'accélérer l'analyse des données
Les parties prenantes au sein du WRPS et du ministère de l'Énergie étaient de plus en plus impressionnées par la simulation prédictive - et il y avait une demande croissante pour que la modélisation soit intégrée dans les processus de prise de décision.
L'équipe devait répondre à des questions extrêmement complexes. Une seule requête sur l'amélioration du débit pouvait facilement impliquer 80 scénarios. Il fallait des heures pour préparer et vérifier un grand nombre de fichiers d'entrée, des jours de temps de calcul pour exécuter des scénarios et des jours supplémentaires pour analyser les gros volumes de résultats. Une série d'expérimentations pouvait facilement prendre un mois avant d'apporter son éclairage pour une décision.
L'équipe d'ingénierie WRPS Mission Analysis et Lanner voulaient trouver des moyens innovants pour accélérer ce processus.
Notre approche : Application de simulation sur le Cloud et intelligence artificielle / apprentissage automatique
Ensemble, nous avons examiné 2 façons d'améliorer l'efficacité de la modélisation : réduire le temps de calcul et accélérer l'analyse. Cela a conduit à une approche en 2 volets :
- Développer une application permettant l'expérimentation basée sur le Cloud - pour donner à l'équipe plus de puissance et de rapidité pour exécuter des scénarios exploratoires
- Utilisation de l'intelligence artificielle (IA) et de l'apprentissage automatique - pour automatiser l'analyse des données et résultats
Nous avons développé l'application sur mesure et en collaboration à l'aide de WITNESS.io, le service Web de Lanner offrant des performances de simulation évolutives pour l'expérimentation de masse. L'utilisation du Cloud peut réduire considérablement le temps de calcul global, car de nombreux scénarios peuvent être exécutés en parallèle à l'aide de cœurs de simulation dédiés. Il renforce également la flexibilité et améliore la continuité des activités. Cela a été crucial pendant la pandémie de Covid-19, car l'équipe peut accéder à distance au service d'expérimentation. De plus, il est facile d'adapter les capacités à mesure que l'écosystème du jumeau numérique se développe.
Les éléments d'IA et d'apprentissage automatique ont été développés en partenariat avec le spécialiste de la science des données
Ynformed, société sœur de Lanner au sein de Royal HaskoningDHV. L'équipe utilise l'IA et l'apprentissage automatique pour analyser les résultats de la simulation et identifier les améliorations possibles via la détection automatique des goulots d'étranglement. Ils travaillent également sur des moyens d'accélérer et d'étendre les simulations avec des modèles de substitution basés sur des approximations rapides fournies par des IA.
Cela accélère le processus d'expérimentation itératif, aide à cerner les angles morts et à répondre plus rapidement aux questions.
Résultat : Les données alimentent les réponses à des questions complexes, à la demande
L'utilisation croissante de la simulation prédictive a aidé WRPS à obtenir des réponses basées sur les données à des questions complexes. Grâce au Cloud computing, à l'intelligence artificielle et à l'apprentissage automatique, l'équipe peut désormais fournir ces réponses à la demande.
Auparavant, il fallait 20 à 25 jours ouvrables pour répondre à une question standard avec 80 scénarios - maintenant, 2 à 4 jours suffisent. Cela a fondamentalement changé la façon dont l'équipe utilise ses jumeaux numériques, en augmentant l'efficacité et en réduisant les erreurs humaines.
Comme le dit un membre de l'équipe WRPS : "Nous sommes en mesure de répondre à des questions auxquelles nous ne pensions pas pouvoir répondre. Auparavant, il fallait des heures pour apporter des modifications à tous les fichiers d'entrée, mais maintenant c'est fait en un clic. L'exécution des modèles, la collecte des résultats et l'analyse sont rapides. Et il n'y a besoin d'aucun effort dans la gestion des données, là où il y a le plus de risque d'erreur humaine - c'est juste fait. Ces innovations nous ont permis d'utiliser les modèles comme nous l'avions imaginé."
La récupération des déchets est un exemple d'innovation en action. Une partie du processus de nettoyage consiste à récupérer les réservoirs contenant les déchets traités. L'équipe a pu exécuter des centaines de scénarios et répondre à des questions critiques en moins de 2 semaines - un processus qui aurait nécessité des jours de copier-coller de feuilles de calcul, suivis de semaines d'analyse de données. Avec l'application, l'équipe des opérations WRPS a obtenu des résultats détaillés sur la manière de planifier la prochaine étape, avec des indications claires sur la manière dont les volumes des réservoirs affecteraient les délais. Il y a de lourdes amendes pour les délais non respectés, et l'analyse rapide et détaillée a facilité une récupération sûre et à temps.
Un autre exemple concerne l'investissement prévu pour augmenter le débit de l'installation de traitement des effluents. La modélisation a rapidement révélé un goulot d'étranglement inconnu dans le système de filtration. Sans y remédier, ils auraient raté le nouvel objectif d'augmentation de débit de 75 % après avoir dépensé des millions. Grâce à la simulation prédictive, le système de filtration est mis à jour et l'investissement est en bonne voie pour fournir le rendement visé.
"La modélisation change les cœurs et les esprits", déclare un autre membre de l'équipe WRPS. "Notre équipe a doublé de taille cette année, et nos réalisations témoignent de la solide collaboration en interne et avec Lanner. Ce ne sont pas seulement nos collègues de WRPS qui s'appuient de plus en plus sur la modélisation pour faire avancer notre mission. Le ministère de l'Énergie nous a également demandé de diriger des sessions de formation - et nous utilise comme exemple de la façon dont la simulation prédictive devrait éclairer la prise de décision."