{
  "code": "19413US02",
  "factory_name": "诺贝丽斯尤里克斯维尔",
  "batch": 13,
  "type": "可持续",
  "country": "美国",
  "city": "美国 · 俄亥俄州尤里克斯维尔",
  "province": "俄亥俄州尤里克斯维尔",
  "wef_industry": "",
  "gbt_code": "",
  "gbt_industry": "有色金属加工（有色金属压延加工）",
  "release_date": "2025年01月",
  "quote": "全球最大铝回收商诺贝丽斯，以97%再生铝含量、GHG强度仅1.1tCO₂/t（行业均值5.8t），率先实现铝加工全循环闭环，成为美国首个铝业可持续灯塔工厂。",
  "use_cases": [
    {
      "num": "?",
      "title": "1 强化分拣分离循环最大化 核心",
      "pain": "⚠️ 痛点：铝废料来源复杂、合金成分混杂（2xxx~8xxx系列），传统人工分拣难以保证纯度，制约再生铝含量提升至97%目标。",
      "idea": "💡 方案：引入X射线透射（XRT）+ 动态LIBS激光光谱 + AI深度学习视觉三级组合分拣系统，实现铝废料按合金牌号自动分选。",
      "steps": "Step 1 — XRT预分拣：部署X射线透射设备，按密度差异将混合废料中的重金属与非铝物质剔除，提升进料纯度基线。 Step 2 — 深度学习视觉识别：基于GAINnext™平台训练合金外观分类模型，自动识别5xxx/6xxx等高价值锻造铝合金。 Step 3 — 动态LIBS精确分选：采用AUTOSORT™ PULSE激光诱导击穿光谱，逐件分析元素成分，实现ppm级合金牌号分离。 Step 4 — 闭环质检反馈：分选后端在线成分检测，实时回传数据优化前端模型参数，持续提升分离纯度。 Step 5 — 全链路集成：将分拣系统与熔炼投料MES打通，按炉次需求自动匹配再生原料配比。",
      "key_data": "📊 核心成效：废料处理总量↑5%，分选后再生原料可支撑3105合金实现97%再生铝含量，远超市面平均30-50%的再生料占比。",
      "tags": [
        "01.03.02",
        "05.01.01",
        "01.01.05"
      ],
      "tech_descs": [
        "采用TOMRA XRT透射X射线技术，基于材料原子序数差异区分铝与重金属，为后续精细分选提供高纯度进料基线。处理量可达每小时数十吨。",
        "基于卷积神经网络训练的合金识别模型，可实时分辨不同铝废料的外观特征（颜色、纹理、断面），将5xxx和6xxx锻造铝从混合料中精准提取。测试数据显示，从100% Twitch复杂混合料中可回收40%高质量锻造铝。",
        "AUTOSORT PULSE采用激光诱导击穿光谱技术，对每件废料表面进行微区激发并分析发射光谱，实现铝、镁、硅、铜等元素的ppm级定量检测，按合金牌号精确分流。"
      ],
      "kpis": []
    },
    {
      "num": "?",
      "title": "2 柔性设备设计提升再生含量 核心",
      "pain": "⚠️ 痛点：再生铝原料批次间成分波动大，传统固定工艺参数无法适应多变原料，易导致成品性能不达标或过度精炼增加能耗。",
      "idea": "💡 方案：改造熔炼-铸造-轧制产线为柔性设备，建立原料-工艺-品质动态调控模型，实现不同再生料配比下的自适应生产。",
      "steps": "Step 1 — 熔炼炉动态调控：部署在线成分分析仪，实时监测铝液元素含量，自动调节精炼剂添加量与精炼时间。 Step 2 — 铸造工艺自适应：根据来料合金成分，AI模型推荐最佳铸造温度、冷却速率和晶粒细化剂配比。 Step 3 — 轧制参数智能匹配：基于3105合金目标性能，动态调整轧制道次压下量和热处理工艺曲线。 Step 4 — 全产线数字孪生：建立虚拟产线模型，提前仿真不同再生料配比的工艺窗口，降低试错成本。 Step 5 — 品质在线闭环：轧制成品力学性能在线检测，结果自动反馈至前端模型迭代优化。",
      "key_data": "📊 核心成效：原始材料（原生铝）消耗↓47%，3105合金再生铝含量稳定达到97%，产品通过GreenCircle第三方认证。",
      "tags": [
        "03.03.01",
        "03.01.01"
      ],
      "tech_descs": [
        "基于实时成分检测与历史工艺数据的机器学习模型，为每批次再生原料推荐最优熔炼和轧制参数，使产线在原料成分波动±15%范围内仍保持成品一致性。",
        "构建熔炼-铸造-轧制全流程数字孪生模型，在新原料配比投入前模拟工艺窗口，将试错次数降低80%，新品导入周期缩短60%。"
      ],
      "kpis": []
    },
    {
      "num": "?",
      "title": "3 数据分析提高可再生材料含量 核心",
      "pain": "⚠️ 痛点：上游废料供应渠道分散、品质参差，传统采购决策依赖人工经验，无法全局优化再生原料降碳与成本之间的平衡。",
      "idea": "💡 方案：构建数字化采购平台与全生命周期碳数据分析系统，以数据驱动优化废料来源结构，最大化再生料使用比例并降低Scope3排放。",
      "steps": "Step 1 — 供应商数字化画像：对全球废料供应商建立数字化档案，记录每批次铝废料的合金类型、含杂率、运输碳排放等指标。 Step 2 — AI采购决策引擎：基于原料价格、物流成本、碳足迹数据构建多目标优化模型，自动推荐最低总成本+最低碳排放的采购组合。 Step 3 — LCA全生命周期碳核算：部署产品碳足迹追踪系统，从废料采购到成品出厂全程核算CO₂当量，对Scope3排放实时可见。 Step 4 — 3×30目标数字化看板：建立企业级可持续仪表盘，追踪每吨产品碳强度（目标 Step 5 — 供应链协同减排：将碳排放数据共享给下游客户（建筑商、汽车厂商），协同制定减排路线图。",
      "key_data": "📊 核心成效：Scope3排放↓53%，GHG强度降至1.1tCO₂/t铝（行业均值5.8t），废料处理总量↑5%，再生铝贡献北美销量25%。",
      "tags": [
        "05.02.01",
        "09.02.02",
        "04.03.03"
      ],
      "tech_descs": [
        "整合废料价格、物流、碳足迹多维数据，构建线性规划与机器学习混合模型，自动在成本与降碳之间求帕累托最优解，驱动采购决策从经验走向算法化。",
        "建立从铝土矿开采（Scope3上游）到产品出厂的端到端碳足迹数字台账，采用GHG Protocol标准核算，使每批次产品的隐含碳排放可查询、可审计、可对标。",
        "将碳强度、再生料品质等ESG指标纳入供应商评估体系，激励上游渠道提升废料分选水平，形成正向循环的绿色供应链生态。"
      ],
      "kpis": []
    }
  ],
  "performance_table": [
    {
      "metric": "3105合金再生铝含量",
      "improvement": "+47~67pp",
      "domain": "97%",
      "tech": "三级智能分拣+柔性工艺联合突破"
    },
    {
      "metric": "原始材料消耗",
      "improvement": "-47%",
      "domain": "↓47%",
      "tech": "原生铝锭需求大幅减少"
    },
    {
      "metric": "Scope3碳排放",
      "improvement": "-53%",
      "domain": "↓53%",
      "tech": "数字采购+LCA碳追踪协同减碳"
    },
    {
      "metric": "GHG强度",
      "improvement": "-81%",
      "domain": "1.1tCO₂/t",
      "tech": "仅为行业均值的1/5，领先全球"
    },
    {
      "metric": "废料处理总量",
      "improvement": "+5%",
      "domain": "↑5%",
      "tech": "分拣效率提升，处理能力扩大"
    }
  ]
}