Process improvement within the scope of green industry compliance in dyeing process in textile factories
[ X ]
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Tekstil endüstrisi, küresel ekonominin önemli bir parçası olmakla birlikte, çevresel etkileri bakımından da dikkate değer bir sektördür. Özellikle boyama işlemleri sırasında kullanılan su ve kimyasallar, iklim değişikliği ve çevresel sürdürülebilirlik bağlamında endişeleri artırmaktadır. Bu nedenle, tekstil fabrikalarının özellikle boyama proseslerinde yeşil endüstriye uyum sağlaması, hem çevresel hem de ekonomik anlamda büyük önem taşımaktadır. Yeşil sanayiye uyum, tekstil boyama proseslerinde su ve enerji kullanımını azaltmayı, atık miktarını minimize etmeyi ve karbon ayak izini düşürmeyi hedeflemektedir. Bu yaklaşım, Paris İklim Anlaşmasının imzalanması ile tekstilde sürdürülebilirliğin sağlanması için büyük önem taşımaktadır. Boyama prosesinde kullanılan yıkama sularının tekrar kullanımı, atık suyun arıtılarak yeniden kullanımı ,enerji verimliliğinin gerekli yöntem veya ekipman değişikliği ile artırılması, bu dönüşümün önemli unsurları arasında yer almaktadır. Bu çalışma Adana Organize Sanayi Bölgesinde yer alan 4 şubesi olan tekstil fabrikasının 2011 yılından bu yana, excel formatı ile tutulan enerji, işçilik, üretim ve tüketim verileri işlenmiştir. Bu fabrikalar arasında, enerji ve su tüketim ortalaması diğer üç şubeye göre en yüksek olan UT1 numaralı fabrika seçilmiştir. Son yıllarda, yapay zeka ve makine öğrenmesi teknolojilerinin endüstriyel süreçlerin tahminlemesinde kullanılmasının giderek arttığı gözlemlenmektedir.Veriler LSTM (Uzun Kısa Süreli Bellek) ve ANN(Yapay Sinir Ağları) tahminleme yöntemi ile analiz edilmiştir. Özellikle, gerçeğe en yakın sonuçları veren LSTM algoritmaları sayesinde, ileri tahminleme yaparak boyama proseslerinde elektrik tüketiminin gelecek yılları tahmin etme yetisi sağlanmıştır. Elektrik tüketimi tahmin sonuçları, fabrikanın verimliliğini artıracak stratejik çalışmaların planlanmasında önemli bir rehber olmuştur. Enerji tüketiminin azaltılması ve karbon ayak izinin düşürülmesine yönelik iyileştirme çalışmaları sonucunda, süreç ve yerleşim optimizasyonu ile tesisin belirli darboğaz noktalarında önemli iyileştirmeler gerçekleştirilmiştir. Bu iyileştirmeler, işçilik, zaman ve alan tasarrufu sağlamış,birim üretim maliyetlerini düşürmüştür. Ayrıca, iş kazalarının meydana gelme olasılığı önlenebilir seviyeye getirilmiştir.
The textile industry, a substantial component of the global economy, holds significant importance due to its environmental impacts. Particularly, the use of water and chemicals during dyeing processes raises concerns in the context of climate change and environmental sustainability. Hence, it is crucial from both environmental and economic standpoints for textile factories to adopt green industry standards, particularly in their dyeing operations. Adapting to the green industry aims to reduce water and energy consumption in textile dyeing processes, minimize waste, and decrease the carbon footprint. This approach has become crucial in achieving sustainability in textiles following the signing of the Paris Climate Agreement. Important elements of this transformation include the reuse of washing waters used in the dyeing process, the recycling of wastewater, and the enhancement of energy efficiency through necessary methodological and equipment changes. This study analyzes the energy, labor, production, and consumption data, maintained in Excel format since 2011, for a textile factory with four branches located in the Adana Organized Industrial Zone. Among these factories, the one designated as UT1, which has the highest average energy and water consumption compared to the other three branches, was selected. In recent years, the use of artificial intelligence and machine learning technologies in predicting industrial processes has been increasingly observed. The data were analyzed using LSTM (Long Short-Term Memory) and ANN (Artificial Neural Networks) forecasting methods. Particularly, the LSTM algorithms, which provided the most accurate results, enabled advanced forecasting of electricity consumption in dyeing processes for future years. The electricity consumption forecasting results have been an essential guide in planning strategic initiatives to enhance factory efficiency. Following improvement efforts aimed at reducing energy consumption and lowering the carbon footprint, significant optimizations in processes and layouts have been made at specific bottleneck points within the facility. These improvements have led to savings in labor, time, and space, and have reduced unit production costs. Additionally, the likelihood of workplace accidents has been reduced to a preventable level.
The textile industry, a substantial component of the global economy, holds significant importance due to its environmental impacts. Particularly, the use of water and chemicals during dyeing processes raises concerns in the context of climate change and environmental sustainability. Hence, it is crucial from both environmental and economic standpoints for textile factories to adopt green industry standards, particularly in their dyeing operations. Adapting to the green industry aims to reduce water and energy consumption in textile dyeing processes, minimize waste, and decrease the carbon footprint. This approach has become crucial in achieving sustainability in textiles following the signing of the Paris Climate Agreement. Important elements of this transformation include the reuse of washing waters used in the dyeing process, the recycling of wastewater, and the enhancement of energy efficiency through necessary methodological and equipment changes. This study analyzes the energy, labor, production, and consumption data, maintained in Excel format since 2011, for a textile factory with four branches located in the Adana Organized Industrial Zone. Among these factories, the one designated as UT1, which has the highest average energy and water consumption compared to the other three branches, was selected. In recent years, the use of artificial intelligence and machine learning technologies in predicting industrial processes has been increasingly observed. The data were analyzed using LSTM (Long Short-Term Memory) and ANN (Artificial Neural Networks) forecasting methods. Particularly, the LSTM algorithms, which provided the most accurate results, enabled advanced forecasting of electricity consumption in dyeing processes for future years. The electricity consumption forecasting results have been an essential guide in planning strategic initiatives to enhance factory efficiency. Following improvement efforts aimed at reducing energy consumption and lowering the carbon footprint, significant optimizations in processes and layouts have been made at specific bottleneck points within the facility. These improvements have led to savings in labor, time, and space, and have reduced unit production costs. Additionally, the likelihood of workplace accidents has been reduced to a preventable level.
Açıklama
Lisansüstü Eğitim Enstitüsü, Endüstri Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
