Intelligenza artificiale nei metalli non ferrosi e nel riciclo
Tre applicazioni di riferimento, selezionate secondo i criteri K1–K5 tra i casi descritti in fonti pubbliche degli anni 2021–2026. La classifica riflette lo stato delle pubblicazioni, non il quadro completo delle implementazioni: gli impianti che non pubblicano risultati restano fuori dalla rassegna.
Elettrolisi Al · EGA · P2/N22–3 giorni → < 1 turnotempo di rilevamento delle anomalie anodiche rispetto alla prassi precedente; 2 592 celle, il 30% lasciato come riferimento per la valutazione dei benefici
Trasformazione · rassegna 2021–20260risultati dell’AI pubblicati con gruppo di controllo per una linea identificata di laminazione, estrusione, vergella, tubi o fogli sottili
Metalli e prodotti in metallo · Eurostat · 202514,3% UE · 7,2% PLquota di imprese (10+ addetti) che utilizzano almeno una tecnologia di AI; i dati comprendono anche l’acciaio
Elaborazione: Camera Economica dei Metalli Non Ferrosi e del Riciclo · aggiornamento al 25.10.2026 · revisione ogni 6 mesi, la prossima entro il 30.04.2027 · redatto con l’ausilio di strumenti di AI
Sintesi
Cinque tesi
Il caso di AI meglio documentato riguarda la produzione primaria. Nella rassegna solo EGA descrive un risultato riferito a un gruppo di celle di riferimento [1], nell’ambito di un programma valutato esternamente [2]. Ciò non attesta un minor valore dell’AI nella trasformazione, bensì l’assenza di pubblicazioni in questo ambito.
Nel riciclo la composizione della lega è misurata dal sensore, mentre il deep learning decide dove contano forma e contesto. La selezione delle leghe 5xxx/6xxx con tecnica LIBS opera su una scala di migliaia di tonnellate senza deep learning – sulla base di classificazione chemiometrica e regole [6]. Il contributo dell’AI al risultato delle cascate di sensori non è stato finora misurato da nessuno [9][10].
La visione artificiale in linea è la classe di AI più spesso descritta nella rassegna, ma senza risultati misurati pubblicati. Secondo il fornitore della piattaforma, EGA dichiara il controllo del 100% degli anodi in carbonio [14]; Jiangxi Copper, Ningbo Jintian e Hindalco hanno implementato il controllo visivo di catodi e nastri [15][16][41].
Un risultato attendibile richiede un disegno della misura, non soltanto un modello. In EGA: modalità consultiva, gruppo di celle di riferimento e conferma dei benefici da parte della funzione finanza prima dell’estensione dell’implementazione [1].
Il 2027 impone dati che sono al tempo stesso materiale per l’AI. Il passaporto della batteria (18.02.2027), la limitazione delle esportazioni di rifiuti verso paesi non OCSE (21.05.2027), la prima dichiarazione CBAM (30.09.2027) e gli obiettivi di recupero dei metalli dalle batterie (31.12.2027) richiedono un bilancio di massa e la tracciabilità dei lotti [24][25][38].
Metodologia
Ambito, valutazione delle evidenze e selezione del TOP 3
Ambito: dal concentrato e dalla carica fino al prodotto, oltre al ciclo del rottame – produzione primaria, raffinazione, trasformazione e riciclo dei metalli non ferrosi. L’estrazione e l’arricchimento del minerale appartengono al settore minerario e restano sullo sfondo.
Protocollo della rassegna
Periodo: 01.2021–10.2026; ultima ricerca 25.10.2026. Fonti: relazioni annuali, di sostenibilità e documenti di borsa delle società (tra cui SEC e CNINFO), comunicati delle società, materiali ICSOBA e International Copper Conference, riviste con revisione paritaria, CORDIS, elenchi MIIT, rapporto WEF Global Lighthouse Network, EUR-Lex, ISAP, Eurostat, EuroHPC e portale Funding & Tenders. Lingue: inglese, cinese, tedesco, polacco, russo, spagnolo.
Procedura: quattro ricerche tematiche (riciclo, produzione primaria, trasformazione, direttrici 2027), seguite da sei audit indipendenti dei fatti – ogni affermazione è stata verificata direttamente nel documento di origine – nonché da un audit tecnico e da una revisione scientifica. Sono stati valutati 36 casi: 21 inclusi (tabelle TOP 1–3 e «Oltre il TOP 3»), 15 esclusi (tabella 2); sono stati inoltre scartati 3 dati numerici noti esclusivamente da fonti secondarie.
La ricerca e gli audit sono stati eseguiti con l’ausilio di strumenti di AI, senza preregistrazione del protocollo. I testi integrali di TMS Light Metals – principale sede di pubblicazione dei lavori sull’AI nell’elettrolisi dell’alluminio – non erano accessibili; i lavori di EGA del 2024 sono noti solo dall’indice.
Valutazione delle evidenze in due dimensioni
Disegno della misura (P)
P1
gruppo di controllo con selezione descritta
P2
gruppo di riferimento dichiarato, senza descrizione della selezione
P3
confronto «prima e dopo» o con la prassi precedente
P4
nessuna attribuzione dell’effetto o assenza di dati numerici
L
risultato di laboratorio o preprint – non soddisfa K1
Indipendenza della fonte (N)
N1
pubblicazione con revisione paritaria o valutazione di terzi con metodo dichiarato
N2
pubblicazione congressuale, rapporto o documento della società
N3
fornitore di tecnologia o consulente
†
comunicato di un’agenzia di stampa statale come fonte sostitutiva per le società cinesi
Regole
Un dato numerico privo di una misura definita, o riportato soltanto dalla stampa, non innalza la valutazione. È fonte primaria un documento della società, di un’autorità, un atto giuridico o una pubblicazione degli autori dell’implementazione; la stampa di settore è servita solo a individuare le fonti.
P2/N2P3/N1P4/N2P4/N3L/N1
Criteri di selezione
Condizione preliminare W0: la fonte descrive esplicitamente un metodo di AI o di apprendimento automatico. Ogni criterio è stato valutato su una scala 0–2 con peso uguale; in caso di parità decide il punteggio più alto in K2 e, successivamente, in K3.
K1Scala industriale0 – laboratorio o singolo progetto pilota · 1 – un impianto · 2 – più impianti od oltre 1 000 unità
K3Fonte0 – solo stampa o fornitore · 1 – rapporto della società o agenzia statale · 2 – pubblicazione degli autori dell’implementazione o valutazione di terzi
K4Trasferibilità0 – soluzione unica · 1 – metodo descritto · 2 – metodo disponibile in commercio o replicato in un altro impianto
K5Rilevanza per la catena del valore0 – marginale · 1 – qualità o costo di un singolo anello · 2 – energia, emissioni o ciclo del metallo su scala settoriale
Tabella 1. Matrice di valutazione delle classi di applicazione
Classe di applicazione
W0
K1
K2
K3
K4
K5
Totale
Risultato
Elettrolisi Al – soft sensor e rilevamento delle anomalie
sì
2
1
2
2
2
9
TOP 1
Selezione del rottame – cascata di sensori con AI
sì
2
0
1
2
2
7
TOP 2
Visione e predizione in linea
sì
2
0
1
2
1
6
TOP 3
Rilevamento dei cortocircuiti nell’elettroraffinazione del rame
no
2
0
1
1
2
6
non qualificato – le fonti non indicano l’AI
Flottazione – modello ibrido e MPC
sì
2
1
2
1
1
7
fuori ambito (settore minerario) – contesto
Modelli linguistici settoriali e agenti
sì
1
0
1
1
1
4
direttrice 2027
Il TOP 3 ha il livello di evidenza più basso fra le tre classi selezionate: la sua posizione deriva dal numero di implementazioni indipendenti (K1) e dalla disponibilità della tecnologia (K4), non dalla forza dell’evidenza. Il rilevamento dei cortocircuiti nell’elettroraffinazione ha lo stesso totale (6), ma non soddisfa la condizione W0 – le fonti non indicano un metodo di AI – e quindi non rientra nella classifica.
Figura 1. Catena del valore dei metalli non ferrosi e punti di applicazione dei TOP 1–3
Elaborazione propria, schema illustrativo. Bordo verde: anelli con applicazioni TOP 1–3; frecce verdi: ciclo secondario. Le etichette indicano le classi di metodi descritte più spesso nei 21 casi inclusi.
TOP 1
Elettrolisi dell’alluminio
Soft sensor e rilevamento delle anomalie nelle celle elettrolitiche
Un modello addestrato su dati orari della cella integra la misura, poco frequente, della temperatura del bagno elettrolitico e indica gli anodi che richiedono un intervento, riducendo la durata dell’anomalia che abbassa il rendimento di corrente.
Impianto
Ambito
Metodo
Risultato
Valutazione
EGA – Jebel Ali e Al Taweelah (EAU)
1 572 celle a Jebel Ali e 1 020 celle selezionate ad Al Taweelah; il 30% lasciato come riferimento per la valutazione dei benefici
Random Forest (classificazione e regressione), ottimizzazione bayesiana; oltre 30 parametri aggregati ogni ora; soft sensor della temperatura del bagno elettrolitico (misura con termocoppia ogni 48 h), errore medio 4,4 °C
rilevamento delle anomalie anodiche in meno di un turno anziché in 2–3 giorni (rispetto alla prassi precedente); incrementi «sottoposti ad audit» di 3 050–9 070 t di metallo – intervallo dipendente dalla tecnologia delle celle, senza periodo e senza indicazione del revisore
rete RBF sulle correnti dei singoli anodi per rilevare un anodo mal posizionato (2018); modello dell’effetto anodico a bassa tensione calibrato con misure di CF₄ (2020)
nessun risultato di impianto; gli effetti anodici a bassa tensione rappresentano fino al 50% delle emissioni di PFC in una parte delle tipologie di celle
I valori di [1] richiedono una precisazione: recall 75% e precision 35% derivano da una validazione retrospettiva su dati di tre mesi relativi a 57 celle selezionate con campionamento stratificato, non da una misura prospettica; la pubblicazione non descrive la selezione del gruppo di riferimento. Lo smelter di Al Taweelah è stato danneggiato nel marzo 2026; secondo Reuters (26.08.2026) sono state riavviate 315 delle 1 262 celle e la piena produzione è prevista per il I trimestre 2027 [31] – i risultati della tabella sono anteriori a tale evento. L’esclusione del caso Chalco Guizhou è motivata nella tabella 2.
Figura 2. Cella elettrolitica con livello dati e anello consultivo
Elaborazione propria sulla base di [1], schema illustrativo non in scala. Temperatura del bagno indicativa, dipendente dalla composizione (eccesso di AlF₃). L’anello si chiude attraverso l’operatore – il modello non comanda direttamente la cella.
Per il management
Meccanismo del valore: un’anomalia anodica rilevata con giorni di anticipo dura meno, e ogni ora di anomalia riduce il rendimento di corrente; l’effetto si somma su migliaia di celle.
Con un consumo di energia di circa 13 500 kWh/t (DC), un aumento del rendimento di corrente di 1 punto percentuale corrisponde a circa 140 kWh/t, e una riduzione della tensione di 10 mV a circa 32 kWh/t.
Secondo la società, il programma Industria 4.0 di EGA ha prodotto un effetto di circa 100 milioni di USD dal 2021; il dato riguarda l’intero programma, non un singolo modello [7]. Le fonti non rendono noti né gli investimenti né il periodo di ritorno.
Prerequisito: un historian con dati orari di diversi anni e tecnologi che verificano gli allarmi.
Per l’ingegnere
Fenomeno
punta anodica (spike) – protuberanza sulla faccia inferiore dell’anodo che si avvicina al metallo o lo tocca: diminuisce la distanza anodo–catodo, aumentano la corrente dell’anodo e la temperatura, cala il rendimento di corrente. L’effetto anodico consiste nel calo della concentrazione di Al₂O₃ al di sotto di circa l’1,5–2% in massa, in un salto di tensione (o in un andamento a bassa tensione) e nell’emissione di CF₄ e C₂F₆ – un problema diverso, con modelli diversi.
Dati
tensione di cella, correnti anodiche (caduta di tensione sul perno), dosaggio, interventi operativi; etichette dallo storico delle anomalie; termocoppia ogni 48 h come variabile obiettivo del soft sensor. L’errore di 4,4 °C va rapportato al surriscaldamento (superheat) del bagno (di norma 5–15 K), che può essere la grandezza obiettivo più appropriata.
Modello
insieme di alberi (Random Forest) – stabile con un numero ridotto di eventi e facile da spiegare; ottimizzazione bayesiana
Metriche
recall 75% con precision 35% (F1 ≈ 0,48) – per ogni anomalia reale, in media circa 2 falsi allarmi; secondo gli autori la verifica dell’anodo dopo l’allarme è poco costosa, ma il rapporto tra i costi non è indicato. Riportare l’onere di controllo per turno, la distribuzione dell’anticipo dell’allarme e la PR-AUC, non l’«accuratezza».
Conversione
WDC [kWh/t] ≈ 2980 · U [V] / η; ipotesi η ≈ 94%, U ≈ 4,26 V; energia DC alle sbarre della cella, AC superiore di circa il 2–3% per le perdite dei raddrizzatori
Validazione
suddivisione temporale dei dati (non casuale – fuga di informazioni); test al di fuori del periodo di addestramento, separato per ciascuna tecnologia di cella; modalità ombra prima di quella consultiva; KPI fissati a priori; gruppo di riferimento con selezione descritta
Integrazione
pannello in sala quadri, allarme vocale e SMS, ordine al personale della linea di celle o nel CMMS, collegamento con il programma di sostituzione degli anodi; chiusura dell’anello solo dopo il periodo consultivo
Latenza
decisione su una scala da minuti a un’ora – è sufficiente l’inferenza centralizzata
Per la riproducibilità
numero di eventi etichettati e rapporto tra le classi, periodo e suddivisione dei dati, frequenza di riaddestramento, modalità di selezione delle celle di riferimento
Limiti. L’incremento di metallo in [1] è indicato come intervallo tra tecnologie di cella, senza periodo – non va convertito su base annua né sommato. I risultati riguardano celle da 230–465 kA; il trasferimento a un’altra tecnologia richiede un nuovo addestramento e un proprio gruppo di riferimento.
TOP 2
Riciclo
Cascata di sensori con deep learning nella selezione del rottame di alluminio
I raggi X separano i materiali in base al numero atomico efficace, una rete neurale sull’immagine scarta i getti e i contaminanti, e la spettroscopia laser assegna il pezzo a una serie di leghe. Solo la combinazione di queste fasi fornisce una carica per lamiere e profilati.
Soggetto
Ruolo dell’AI
Scala e risultato
Valutazione
Novelis – Berea (USA) con EverestLabs
AI e robotica per selezione, tracciamento e analisi del rottame (RecycleOS); progetto pilota
dal 09.2024 oltre 2 milioni di contaminanti identificati e oltre 1 milione rimossi – dato privo di denominatore (tonnellaggio, tempo, variazione della purezza), non è una misura di efficacia; quota di riciclato nei laminati piani Novelis 63% (FY25)
da una carica 100% Twitch è stato separato il 40% di alluminio da deformazione plastica come leghe 5xxx e 6xxx; risultato di test, senza purezza e senza una base definita
deep learning su immagini RGB a valle del separatore XRT
fino a 2 000 espulsioni al minuto; rimuove dalla frazione da deformazione plastica i getti a basso tenore di lega che l’XRT non distingue da essa; per le lattine per bevande (UBC) fino a 33× la produttività della selezione manuale, purezza di almeno il 98%
capacità complessiva stimata di circa 240 milioni di libbre annue (circa 109 000 t) dopo l’avvio dello stabilimento di Lebanon (05.2026); purezza non resa nota
Nessuna fonte misura l’incremento di purezza o di resa apportato dalla fase di deep learning rispetto a una cascata XRT + LIBS senza AI; il contributo dell’AI al risultato della cascata resta indeterminato. Lo strato sensoristico senza deep learning opera su scala industriale: Constellium a Neuf-Brisach ha rifuso oltre 6 000 t di rottame selezionato con tecnica LIBS nelle famiglie 5xxx e 6xxx con purezza superiore al 95% (situazione al IV trimestre 2024) [6]; Hydro seleziona con la tecnologia HySort, tra l’altro, a Dormagen (36 000 t annue) e a Nowa Sól [13].
Figura 3. Cascata di selezione del rottame di alluminio: XRT, deep learning, LIBS
Elaborazione propria sulla base di [9], [10], [12], schema illustrativo. In pratica ogni stazione è un selezionatore separato con espulsione in volo oltre la fine del nastro; il nastro comune è una semplificazione. Ordine delle stazioni secondo il test TOMRA e Novelis; composizione delle frazioni indicativa.
Per il management
Il valore risiede nella differenza tra il prezzo del rottame misto e quello di una carica di lega nota: il rottame selezionato può tornare nello stesso prodotto anziché nei getti.
Un prodotto con quota garantita di rottame post-consumo (ad es. Hydro CIRCAL, almeno 75%) richiede la selezione per lega come condizione di approvvigionamento [13].
Nell’ordinare una cascata con AI, esigere la misura di purezza e resa per frazione, con ripartizione del contributo di ciascuna stazione – oggi i fornitori non pubblicano questi dati.
Le fonti non rendono noti né gli investimenti né il periodo di ritorno.
Per l’ingegnere
Preparazione
triturazione, separazione magnetica e a correnti indotte, vagliatura; singolarizzazione dei pezzi – condizione per la misura del singolo oggetto
Decisione
nella cascata ogni stazione decide separatamente; la fusione a livello di oggetto (LIBS + RGB-D su un’unica stazione, [12]) è un risultato di laboratorio
Sensori
XRT non riconosce la serie di lega; XRF rileva male Mg e Si; LIBS misura Mg, Si e Li, ma solo lo strato superficiale – gli impulsi di pulizia rimuovono i rivestimenti
Etichette
insieme di riferimento («gold set») di pezzi con analisi OES (a scintilla) o LIBS manuale; XRF solo per Cu, Zn, Fe, Mn; concordanza tra etichettatori; nuova validazione dopo un cambio di fornitore di rottame; in ultima istanza, analisi del metallo liquido in fusione
Latenza
esempio: un nastro a 3 m/s e 0,4 m fino all’espulsore danno circa 130 ms per misura, inferenza ed espulsione; inferenza dell’ordine di 10–20 ms
KPI
purezza della frazione, resa (recupero del metallo nella frazione corretta), t/h, quota di pezzi senza decisione
Per la riproducibilità
composizione e provenienza della carica, granulometria, velocità del nastro, frequenza LIBS, metodo di misura della purezza
Limiti. I dati TOMRA riguardano test e sono una dichiarazione del fornitore. Il risultato Novelis riguarda un progetto pilota in un solo impianto. Nessuna fonte rende noto l’hardware di calcolo edge.
TOP 3
Smelter, raffinazione e trasformazione
Visione artificiale e predizione in linea – dall’anodo al nastro
Una telecamera con un modello in linea sostituisce il controllo a campione con il controllo di ogni pezzo, e un modello predittivo segnala lo stato della linea prima dell’anomalia. È la classe di AI più spesso descritta nella rassegna – e la meno documentata con dati numerici.
Impianto
Fase
Applicazione
Risultato
Valutazione
EGA (EAU)
anodi in carbonio (elettrolisi Al)
visione AI edge, rete addestrata su 100 000 immagini
secondo il fornitore della piattaforma: controllo del 100% degli anodi anziché dell’1,5–2,5%, risposta 10–13 volte più rapida
oltre 50 modelli di AI e ML in un anno; modelli di affidabilità su oltre 700 apparecchiature critiche; controllo visivo della superficie dei catodi presso Birla Copper Dahej
«AI + visione artificiale» per il rilevamento automatico dei difetti nelle fasi chiave; progetto incluso nell’elenco MIIT delle fabbriche «di classe eccellente» (2024)
nessun dato numerico nella relazione della società
controllo visivo laser, valutazione della qualità mediante AI, modello di raccomandazione dei parametri di processo, allerta sullo stato delle macchine
secondo la società, netta riduzione della difettosità, senza dati numerici
Figura 4. Ispezione del nastro in linea: telecamera, modello edge, mappa dei difetti, anelli di qualità
Elaborazione propria – architettura di riferimento derivata dai casi [14]–[17] e [41], schema illustrativo; non riproduce un impianto specifico. Risoluzione e latenza si scelgono in funzione della velocità di linea e del più piccolo difetto critico nella specifica del cliente.
Per il management
Il controllo di ogni pezzo cambia l’economia dei reclami: il difetto è attribuito al coil e alla posizione, e la decisione viene presa prima della spedizione.
Nelle fonti primarie non figura alcun trasformatore che abbia pubblicato un effetto misurato dell’AI per una linea identificata.
Nell’ordinare un sistema, esigere indicatori per classe di difetto e un collaudo sui dati dell’impianto (prove FAT e SAT), non dichiarazioni generiche.
Le fonti non rendono noti né gli investimenti né il periodo di ritorno.
Per l’ingegnere
Acquisizione
camere lineari sopra e sotto; pixel non superiore a 1/3 del più piccolo difetto critico; per le superfici chiare di Al e Cu luce diffusa o coassiale; emulsione e olio generano falsi allarmi; sul nastro a caldo protezioni e raffreddamento
Latenza
frequenza di linea della camera = velocità / pixel, ad es. 20 m/s con 0,2 mm danno 100 kHz; marcatura sotto 1 s; setpoint in minuti e ore
Modello
rilevamento e classificazione dei difetti; integrare le classi rare con immagini sintetiche ed etichettatura attiva; postazione di revisione delle immagini da parte dell’operatore come fonte di etichette
KPI
recall per i difetti critici a un numero prefissato di falsi allarmi per chilometro di nastro; copertura del 100% della superficie
Integrazione
metadati dei difetti (identificativo del coil, posizione, classe, confidenza) via OPC UA (Machine Vision, OPC 40100) o MQTT; immagini in un object storage; posizione dall’automazione di livello 2; genealogia secondo ISA-95 (B2MML); in caso di guasto del modello, il tratto viene marcato nel MES come «senza ispezione»
Predizione
per le linee di vergella e le presse – modelli degli stati anomali su dati di processo; suggerimento dei setpoint come nel progetto Constellium Valais
Limiti. Gli indicatori EGA per il controllo degli anodi sono indicati dal fornitore della piattaforma cloud. I dati Ningbo Jintian (resa +2%) provengono esclusivamente da un’intervista alla stampa e non sono stati considerati. Il progetto Constellium Valais è un preprint senza conferma dell’impiego in produzione.
Oltre il TOP 3
Altri casi e casi esclusi
Area
Caso
Risultato
Valutazione
Flottazione (contesto)
Nornickel – Talnakh: modello ibrido (fisica + apprendimento automatico), controllo predittivo MPC
entro la fine del 2024 recupero complessivo Ni +0,36% rel., Cu +0,16% rel. (nel concentrato collettivo); la fonte non indica il livello di base
Freeport-McMoRan: gemello digitale con apprendimento automatico, istruzioni predittive per gli operatori negli impianti di arricchimento di Nord e Sud America
Ningbo Powerway: cinque agenti AI digitali a livello aziendale, utilizzati anche in produzione; grafo della conoscenza sul processo delle leghe; piattaforma multiagente di R&S
sistema a regole, confronto «prima e dopo», valori fisicamente impossibili – ad es. 2,2 t di Al al giorno da una cella da 230 kA che, con un rendimento di corrente del 100%, ne produce circa 1,85 t [5]
K3
Codelco – Chuquicamata, Ministro Hales
la fonte descrive «analitica avanzata e algoritmi matematici», non l’AI
W0
Freeport – lisciviazione (214 milioni di libbre di Cu annue)
la società attribuisce il risultato all’«analisi dei dati», non all’AI
W0
Tongling Jinguan – cortocircuiti nell’elettroraffinazione del rame; sistema ESCD
termografia e gemello digitale; le fonti non indicano l’AI [32][33]
W0
Constellium (LIBS), Hydro HySort, Gerhard Lang, STEMIN
selezione sensoristica senza indicazione dell’AI – considerata come contesto nel TOP 2
W0
Aurubis – campionamento a Lünen e Amburgo; sensori a Olen
automazione, robotica e manutenzione predittiva senza indicazione dell’AI
W0
Boliden Kokkola – pulizia degli anodi
visione artificiale senza indicazione dell’AI
W0
Hindalco – rilevamento del fondello della billetta sulla pressa
vibrazioni e controllore PLC, non AI
W0
Apple – linea Cora e robot di disassemblaggio
il rapporto non indica l’AI; elettronica di consumo
W0
Siemens Industrial Copilot
nessun cliente identificato nei metalli non ferrosi
K1
Dati numerici esclusivamente da fonti secondarie: Freeport Bagdad (+10%, consulente), STEINERT IOI (+40%, stampa), Ningbo Jintian (+2%, intervista)
nessuna fonte primaria per il dato
K3
Cina: nell’elenco MIIT delle fabbriche intelligenti «di classe eccellente» (2024) figurano 10 impianti dei metalli non ferrosi, tra cui l’elettrolisi dell’alluminio Yunnan Wenshan («controllo basato sull’AI»), lo smelter di rame di Jiangxi Copper e Ningbo Jintian («AI + big data») [16].
Architettura
Uno scheletro comune alle tre applicazioni
I casi del TOP 3 differiscono per i sensori, ma condividono la stessa struttura a livelli. Nelle pubblicazioni manca più spesso il livello di misura del valore.
Figura 5. Architettura di riferimento dell’AI in un impianto dei metalli non ferrosi
Elaborazione propria sulla base dei casi [1], [8], [14]–[19], [41], schema illustrativo. Il livello 7 è descritto esplicitamente solo nella pubblicazione EGA [1].
Polonia e UE
A che punto è il settore
Nel 2025 utilizzava l’AI il 14,3% delle imprese delle divisioni C24–C25 nell’UE e il 7,2% in Polonia [28]. Nei soli processi produttivi le quote sono state del 2,98% nell’UE e del 2,42% in Polonia; Eurostat non pubblica per tali valori intervalli di confidenza, per cui la differenza non va interpretata in loro assenza.
Figura 6. Quota di imprese (10+ addetti) che utilizzano almeno una tecnologia di AI, 2024 e 2025
Fonte: Eurostat, dataset isoc_eb_ai (totale) e isoc_eb_ain2 (per sezione NACE), aggiornamento 15.06.2026 [28]. Le divisioni C24–C25 comprendono congiuntamente la produzione di metalli – inclusi ferro e acciaio – e di prodotti in metallo, e non sono rappresentative dei soli metalli non ferrosi; Eurostat non pubblica dati per il gruppo 24.4.
Direttrici 2027
Che cosa cambierà il 2027
Dieci direttrici. Per ciascuna è indicato il tipo di base: diritto vincolante, bando, obiettivo di politica statale, previsione del gruppo di lavoro o annuncio del fornitore.
Figura 7. Scadenze 2026–2028 rilevanti per i dati e l’AI negli impianti dei metalli non ferrosi
Fonti [23]–[27], [29], [34], [38]. Date dell’AI Act secondo il regolamento (UE) 2026/1744; regolamento macchine – data dopo la rettifica (GU UE L 169 del 04.07.2023). Gli obblighi di segnalazione delle vulnerabilità previsti dal CRA si applicano dall’11.09.2026.
Diritto vincolante18.02.2027 · 31.12.2027
Passaporto della batteria e bilancio di massa
Il passaporto (art. 77) è un obbligo dell’operatore economico che immette la batteria sul mercato; ai riciclatori si applicano gli obiettivi di recupero di materiali per Co, Cu, Ni e Pb (90%) e per Li (50%) entro il 31.12.2027. Dal 2028 (non prima del 18.08.2028) i fabbricanti di batterie industriali con capacità superiore a 2 kWh, di batterie per veicoli elettrici e di batterie SLI documentano la quota di Co, Pb, Li e Ni recuperati dai rifiuti (art. 8) – i dati provengono dal riciclo. L’11.09.2026 la Commissione ha confermato che non modifica gli obiettivi [24].
Preparare: identificativi dei lotti dalla carica al prodotto, modello di bilancio di massa, interfaccia Asset Administration Shell (IEC 63278).
Diritto vincolante01.02.2027 · 30.09.2027
CBAM e graduale eliminazione dell’assegnazione gratuita
La dichiarazione CBAM per le importazioni è presentata dal «dichiarante CBAM autorizzato»; il meccanismo comprende tra l’altro l’alluminio, ma non il rame, né lo zinco, né il piombo [25]. Per i produttori nell’UE contano i dati sulle emissioni dei fornitori di carica extra-UE e la graduale eliminazione dell’assegnazione gratuita EU ETS per i settori CBAM negli anni 2026–2034 [37].
Preparare: misura di energia ed emissioni a livello di impianto e di processo, pista di controllo per i modelli che stimano le emissioni.
Diritto vincolante21.05.2027
Esportazione di rifiuti verso paesi non OCSE
Dal 21.05.2027 l’esportazione di rifiuti non pericolosi verso paesi non OCSE è consentita solo verso i paesi inclusi nell’elenco della Commissione; il progetto di elenco è stato sottoposto a consultazione nel periodo 18.09–16.10.2026 [38]. Più rottame resterà nell’UE – cresce l’importanza della selezione fino al livello di lega.
Preparare: previsione dell’offerta di rottame per frazione e qualità, capacità di selezione.
Bando02.02.2027
Modelli ibridi e flessibilità energetica dell’elettrolisi
TRIMET a Essen ha modificato 120 celle in modo da poter regolare l’assorbimento di potenza della linea di celle del ±25% [35]; la grandezza critica è lo spessore del bagno solidificato sulle pareti (crosta laterale, ledge), che il modello deve stimare. Il bando Orizzonte Europa MAT-PROD-32 finanzia l’energia rinnovabile e la gestione dell’energia nell’industria di processo [29].
Preparare: serie temporali ad alta risoluzione di 2–3 anni; limiti di sicurezza della cella fissati dai tecnologi.
Previsione del gruppo di lavoro2026–2027
Selezione con AI nelle linee industriali
I fornitori estendono le piattaforme di deep learning a ulteriori frazioni, tra cui i compositi rame–acciaio nel rottame di acciaio [10]. Il vantaggio andrà all’impianto che misurerà in modo indipendente purezza e resa.
Preparare: campioni di riferimento, validazione in fusione, obbligo di riportare gli indicatori per frazione nel contratto d’acquisto.
Annuncio del fornitoredal 2026
Agenti AI sotto supervisione
I fornitori di sistemi di controllo introducono agenti AI per l’analisi dei dati di processo [39]; nel 2026 Orizzonte Europa ha finanziato l’AI nell’industria di processo, agenti compresi (bando chiuso). Principio: l’agente propone, l’essere umano approva le azioni che incidono sul processo.
Preparare: API controllate verso historian, MES e CMMS; registro delle applicazioni AI; un responsabile per ciascun agente.
Diritto vincolante03.04.2027 · 11.12.2027
Cibersicurezza OT come condizione per l’AI
La modifica della legge polacca sul sistema nazionale di cibersicurezza (KSC) (Dz.U. 2026 poz. 252, in vigore dal 03.04.2026) concede ai soggetti essenziali e importanti 12 mesi per adempiere agli obblighi del capo 3 [34]; il CRA si applica pienamente ai fabbricanti di dispositivi e software dall’11.12.2027 [26].
Preparare: segmentazione secondo IEC 62443, inventario di dispositivi e modelli, clausole di aggiornamento nei contratti d’acquisto.
Annuncio del fornitore20.01.2027 · 02.08.2028
Gemello digitale del reparto – prima il progetto pilota
Le piattaforme di gemelli digitali di fabbrica sono state annunciate nel 2025 [40], senza referenze nei metalli non ferrosi. L’AI come componente di sicurezza di una macchina sarà valutata secondo il regolamento macchine (applicabile dal 20.01.2027); gli obblighi dell’AI Act per tali sistemi si applicano a decorrere dal 02.08.2028 [23][26].
Preparare: modelli 3D dei reparti, dati dei carriponte; capacità di calcolo delle AI factory PIAST-AI (Poznań) o Gaia (Cracovia).
Obiettivo di politica stataleCina · 2027
Cina: l’AI come elemento di politica industriale
Il piano «AI + manifattura» del MIIT (279号, 12.2025) prevede entro il 2027 1 000 agenti industriali, 100 dataset e 500 scenari tipici, tra cui modelli settoriali per i metalli non ferrosi; il piano per l’alluminio (03.2025) richiede alle nuove capacità un consumo non superiore a 13 000 kWh/t (AC, per alluminio liquido) [36].
Diritto vincolantedal 02.02.2025 · 02.12.2027
Alfabetizzazione in materia di AI e AI Act nell’impianto
L’art. 4 dell’AI Act richiede misure a sostegno dell’alfabetizzazione in materia di AI del personale. Le applicazioni tipiche del TOP 3 non rientrano tra i sistemi ad alto rischio dell’allegato III; rileva l’allegato I, quando l’AI è componente di sicurezza di una macchina (dal 02.08.2028) [23]. Nel 2025 il 92,8% delle imprese polacche delle divisioni C24–C25 non utilizzava l’AI [28].
Preparare: formazione per ruolo; politica d’uso dei modelli per finalità generali senza trasmissione di dati di processo.
Limiti delle conclusioni
Limiti della rassegna e che cosa cambierebbe la valutazione
Limiti della rassegna
Bias di pubblicazione: le società rendono note le implementazioni riuscite, mentre i progetti pilota non riusciti restano inediti; l’assenza di casi negativi non significa che non esistano.
I risultati riportati da società e fornitori non sono stati sottoposti a verifica indipendente, salvo quelli indicati.
La rassegna favorisce gli impianti con una comunicazione sviluppata; Global Lighthouse WEF è un programma a candidatura.
Le fonti cinesi sono accessibili soprattutto tramite agenzie di stampa ed elenchi ufficiali, il che riduce la comparabilità.
La valutazione è stata condotta senza preregistrazione del protocollo.
Che cosa cambierebbe la valutazione
Un trasformatore pubblica un risultato di visione o predizione con gruppo di controllo – il TOP 3 salirà in classifica o sarà sostituito.
Una misura indipendente della purezza della cascata con AI confermerà l’incremento rispetto al solo LIBS – il TOP 2 ne uscirà rafforzato.
Il rilevamento dei cortocircuiti nell’elettroraffinazione del rame sarà descritto come metodo di AI con un risultato – diventerà candidato al TOP 3.
Emergeranno dati su implementazioni non riuscite di soft sensor – il TOP 1 ne uscirà indebolito.
Glossario
Termini
Soft sensor
modello che stima una grandezza misurata raramente o con costi elevati (ad es. la temperatura del bagno elettrolitico) a partire da grandezze misurate in continuo.
Punta anodica ed effetto anodico
la punta è una protuberanza dell’anodo che si avvicina al metallo (perdita di rendimento di corrente); l’effetto anodico è la conseguenza dell’esaurimento dell’Al₂O₃ (salto di tensione, emissione di PFC).
MPC
controllo predittivo basato su modello: ottimizzazione dei setpoint su un orizzonte temporale nel rispetto dei vincoli di processo.
Modello ibrido
combinazione delle equazioni fisiche del processo con l’apprendimento automatico; di norma si comporta meglio al di fuori dell’intervallo dei dati di addestramento, purché la parte fisica sia corretta.
LIBS
spettroscopia di emissione indotta da laser: composizione elementare dello strato superficiale del pezzo (pochi µm) in millisecondi – da qui la sensibilità ai rivestimenti; Dynamic LIBS impiega impulsi di pulizia.
XRT
trasmissione di raggi X a due energie: distingue i materiali in base al numero atomico efficace, indipendentemente dallo spessore del pezzo.
Recall e precision
quota degli eventi reali rilevati e quota degli allarmi corretti sul totale degli allarmi.
Inferenza edge
esecuzione del modello su un computer in linea – con latenza breve e prevedibile, senza dipendere dalla connessione e dal cloud.
Gruppo di riferimento
unità senza implementazione, confrontate con le unità con implementazione nello stesso periodo – base per l’attribuzione dell’effetto.
Fonti
Bibliografia
Formato: autore o istituzione, anno, titolo, editore; indirizzo; tipo di fonte. Accesso agli indirizzi: 25.10.2026.
[1]Aljabri N. et al. (2022). Advanced Process Control with Smart Smelter Sensors at EGA. Travaux ICSOBA 51, pp. 1049–1060. icsoba.org· conferenza · N2
[2]World Economic Forum (2025). Global Lighthouse Network 2025, p. 44. reports.weforum.org· valutazione di terzi · N1
[3]Côté P., Guérard S. et al. (Rio Tinto) (2018). Travaux ICSOBA, AL02. icsoba.org· conferenza · N2
[4]Allano B. et al. (Rio Tinto) (2020). Smelter 4.0. Travaux ICSOBA, AL02. icsoba.org· conferenza · N2
[12]Díaz-Romero D. J. et al. (2023). Resources, Conservation & Recycling 190, 106865. doi:10.1016/j.resconrec.2023.106865 doi.org· rivista · N1
[13]Hydro (25.09.2024). Hydro and PADNOS start advanced aluminium scrap sorting operations in the U.S.; pagine degli stabilimenti di Dormagen e Nowa Sól. hydro.com· società · N2
[15]People’s Daily / Xinhua (09.03.2026). Smelter di Guixi di Jiangxi Copper. en.people.cn· agenzia statale · N2†
[16]MIIT (2024). Elenco dei progetti di fabbriche intelligenti «di classe eccellente», lotto I, voce 229; Ningbo Jintian, relazione annuale 2025, pp. 19–21. miit.gov.cn· autorità e società · N2
[17]Southwire (2025). 2025 Sustainability Report, pp. 22, 25, 56. southwire.com· società · N2
[18]HES-SO Valais, Idiap, Constellium Valais (2021–2022). Progetto P3 – Press Pressure Prediction; preprint SSRN (2024), doi:10.2139/ssrn.4741197. idiap.ch· istituto di ricerca · L
[19]Glibovets et al. (2025). Tsvetnye Metally n. 6, doi:10.17580/tsm.2025.06.12. rudmet.ru· rivista · N1
[20]Freeport-McMoRan (2023). 2022 Climate Report, pp. 27 e 32. fcx.com· società · N2
[21]KGHM Polska Miedź (28.12.2022). Sztuczna inteligencja wspiera wytop miedzi w HM Głogów. media.kghm.com· società · N2
[22]Xinhua (27.12.2025). Modello «Kun’an» 2.0. news.cn· agenzia statale · N2†
[23]Regolamento (UE) 2024/1689 (AI Act), come modificato dal regolamento (UE) 2026/1744. eur-lex.europa.eu· atto giuridico
[24]Regolamento (UE) 2023/1542 relativo alle batterie, art. 8, art. 77, all. XII; COM(2026) 470. eur-lex.europa.eu· atto giuridico
[29]Commissione europea, portale Funding & Tenders: HORIZON-CL4-2027-02-MAT-PROD-32-two-stage (52,5 mln EUR; scadenze 02.02.2027 e 02.09.2027). ec.europa.eu· bando
[30]MIIT (03.2025). Elenco dei casi tipici di applicazione dell’AI nella nuova industrializzazione; Keji Ribao, ripreso l’11.06.2026: modello «绿铝云慧鉴». finance.sina.com.cn· autorità e stampa statale · N2†
[31]Reuters (26.08.2026). EGA restarts quarter of Al Taweelah smelter (ripreso da Kitco). kitco.com· agenzia di stampa · contesto
[32]Lindthaler M., Filzwieser A. (2025). Digitalized state-of-the-art short-circuit detection (ESCD). 12th International Copper Conference, Springer. doi:10.1007/978-3-032-00102-3_23 doi.org· conferenza
[34]Legge del 23.01.2026 recante modifica della legge sul sistema nazionale di cibersicurezza e di alcune altre leggi, Dz.U. 2026 poz. 252. api.sejm.gov.pl· atto giuridico
[35]TRIMET Aluminium SE (2019). Geschäftsbericht 2018/19: «virtuelle Batterie», Essen. trimet.eu· società · contesto anteriore al periodo della rassegna
[37]Direttiva (UE) 2023/959 che modifica la direttiva 2003/87/CE (EU ETS), art. 10 bis, par. 1 bis. eur-lex.europa.eu· atto giuridico
[38]Regolamento (UE) 2024/1157 relativo alle spedizioni di rifiuti, artt. 39–41; Commissione europea, consultazione «Dì la tua» 14861 (Ares(2026)8858290). eur-lex.europa.eu· atto giuridico
[39]ABB (17.04.2026). Comunicato stampa: agentic AI in Genix Datalyzer e My Measurement Assistant+. new.abb.com· fornitore · N3
[40]NVIDIA (06.01.2025; 28.10.2025). Mega Omniverse Blueprint; Siemens come primo fornitore di software per gemelli digitali conforme al blueprint. nvidianews.nvidia.com· fornitore · N3
[41]Hindalco Industries (2026). Integrated Annual Report 2025-26, pp. 86–87. hindalco.com· società · N2
[42]Tongling Jingda Special Magnet Wire (2026). Relazione annuale 2025, pp. 11–12; MIIT (2023), elenco delle fabbriche dimostrative, voce 52. static.cninfo.com.cn· società · N2
[43]Ningbo Powerway Alloy Material (2026). Relazione annuale 2025, pp. 11–12. static.cninfo.com.cn· società · N2
Informazioni sullo studio
Versione, uso dell’AI, interessi, correzioni
Versione 0.9, aggiornamento al 25.10.2026. Ogni caso nel registro reca la data dell’ultima verifica; revisione complessiva ogni 6 mesi, la prossima entro il 30.04.2027.
Uso di strumenti di AI nella redazione dello studio
La ricerca delle fonti in sei lingue, le sintesi dei documenti e la prima versione del testo sono state realizzate con il contributo di strumenti di AI – grandi modelli linguistici operanti come agenti di ricerca e analisi.
Ogni dato numerico e ogni data sono stati verificati direttamente nel documento di origine. Anche i sei audit dei fatti, l’audit tecnico e la revisione scientifica si sono svolti con l’ausilio di strumenti di AI; le discrepanze sono state risolte in base alla fonte primaria.
L’ambito, i criteri K1–K5, le valutazioni delle evidenze P/N e la formulazione definitiva sono stati adottati dopo la revisione redazionale.
Agli strumenti di AI non sono stati trasmessi dati dei membri della Camera né dati non pubblici degli impianti – lo studio si basa esclusivamente su fonti pubbliche indicate in bibliografia.
Le figure sono schemi illustrativi elaborati sulla base delle fonti, non immagini generate dall’AI.
Gli errori, compresa l’errata attribuzione di un dato numerico a una fonte, possono essere segnalati all’indirizzo indicato di seguito; le correzioni vengono inserite nel registro con una nuova data di verifica.
La Camera riunisce imprese, alcune delle quali sono citate nello studio o utilizzano le tecnologie descritte. Lo studio non è stato finanziato da fornitori di tecnologia.
Utilizziamo cookie necessari al funzionamento del sito. Con il suo consenso possiamo utilizzare anche cookie analitici per capire come viene usato il sito. È possibile accettare tutti i cookie, rifiutare quelli facoltativi o impostare le preferenze. Maggiori informazioni nella nostra Informativa sulla privacy e sui cookie.