Inteligencia artificial: una nueva realidad para los ingenieros químicos

1 de febrero de 2019 | Por Mary Page Bailey

Desde el desarrollo de procesos y materiales hasta el mantenimiento y la logística, la inteligencia artificial (IA) está emergiendo como una fuerza transformadora en las industrias de procesos químicos.

Como en muchos otros sectores, las tecnologías de inteligencia artificial (IA) están comenzando a surgir en las industrias de procesos químicos (CPI). Si bien las soluciones asistidas por IA y otras tecnologías asociadas, como la automatización de procesos robóticos (RPA), el Internet de las cosas (IoT), los drones automatizados y la computación cuántica, todavía son relativamente nuevos para muchas aplicaciones de CPI, los desarrolladores y usuarios por igual se están dando cuenta de su potencial. beneficios para acelerar la investigación y el desarrollo (I+D), el mantenimiento predictivo, la optimización de procesos y más.

Dentro de su iniciativa Smart Operations, Henkel AG & Co. KGaA (Düsseldorf, Alemania; www.henkel.com) está utilizando capacidades de IA en sus operaciones de procesos globales y cadena de suministro. "Usamos IA para ejecutar análisis eficientes de conjuntos de datos complejos para lograr un mayor rendimiento de producción, una rápida innovación de productos y escalamiento para nuestros sistemas de producción autoajustables", explica Sandeep Sreekumar, director global de Operaciones Digitales de Adhesivo en Henkel. "Nuestro enfoque no es solo recopilar datos internos de fabricación, sino también trabajar activamente con los clientes en las oportunidades de recopilación de datos durante el uso del producto para realizar mejoras y ajustarnos a las necesidades cambiantes de los clientes", dice Sreekumar. Henkel actualmente aplica tecnologías de IA creadas externamente, pero la empresa prevé crear un ecosistema en el que coexistan soluciones internas y de terceros y establecer una red de operaciones y una cadena de suministro global completamente transparente que sea tanto automatizada como autoajustable a la variabilidad, explica Tim Gudszend, director global de Tecnologías e Inversiones en Adhesivos de Henkel. Las tecnologías de "fábrica inteligente" de la compañía están diseñadas para mejorar la comprensión de la disponibilidad de materias primas y el estado actual de la producción para asesorar mejor al personal de operaciones sobre cómo ajustar el proceso de producción para mejorar el rendimiento. "Al analizar estos datos, implementamos mejoras significativas en el rendimiento de la materia prima y aumentamos la calidad del rendimiento dentro de estas plantas", agrega Gudszend.

Si bien Henkel ha tenido éxito en sus proyectos de IA, cualquier implementación de nuevas tecnologías no está exenta de desafíos. "Uno de los mayores problemas es generar todos los datos relevantes para un proceso y su entorno de influencia, y hacer que esta información esté disponible para una solución de 'big data' para que pueda utilizarse en toda su extensión", explica Gudszend, y agrega que Henkel está implementando plataformas mejoradas de análisis de datos para integrar mejor los datos en su cadena de suministro global y redes de operaciones. Incluso con los desafíos, Sreekumar enfatiza que Henkel ha obtenido muchos beneficios de la IA, desde acelerar la velocidad de comercialización de nuevas formulaciones de productos y escalar hasta detectar y resolver rápidamente problemas de calidad del producto. "Las tecnologías de IA son disruptivas y seguirán ayudando a impulsar el lanzamiento de nuevos productos y mejorar las tasas de producción de meses y años a semanas o días. Las tecnologías fomentarán el desarrollo de nuevos modelos de negocios, mejorarán las condiciones operativas y generarán productos de mejor calidad". él continúa.

En Japón, un nuevo proyecto de investigación ha aplicado IA para acelerar significativamente el diseño de polímeros y acelerar el desarrollo de materiales funcionales avanzados. El trabajo realizado por Showa Denko KK (SDK; Tokio; www.sdk.co.jp), el Instituto Nacional de Ciencia y Tecnología Industrial Avanzada (AIST; Ciudad de Tsukuba; www.aist.go.jp) y la Asociación de Investigación de Alta -Throughput Design and Development for Advanced Functional Materials (ADMAT; Tsukuba City; www.admat.or.jp) ha indicado que el diseño de polímeros asistido por IA es unas cuarenta veces más rápido que los enfoques convencionales. Comenzando con una gran cantidad de polímeros candidatos, la tecnología de IA puede predecir las propiedades de los polímeros en menos de un segundo por polímero, según SDK. Los ensayos actuales se han centrado en determinar la temperatura de transición vítrea de los polímeros a partir de un campo de 417 tipos diferentes de datos estructurales de polímeros, pero la tecnología podría aplicarse fácilmente a cualquier cantidad de propiedades deseadas. En este caso, el polímero con la temperatura de transición vítrea más alta se determinó en solo 4,6 ensayos (Figura 1).

FIGURA 1. Al usar el diseño de polímeros asistido por IA, la cantidad de pruebas requeridas para lograr una propiedad de material en particular se reduce drásticamente

Esta no es la primera aplicación de IA en la esfera del diseño de polímeros, pero se distingue por el uso de la optimización bayesiana, que acelera aún más el proceso. "Por lo general, la IA no es tan eficiente para el diseño de polímeros porque tiende a recomendar polímeros similares que se han examinado previamente. Por el contrario, la optimización bayesiana nos permite examinar una mayor variedad de polímeros que poseen una propiedad deseada al considerar la compensación entre el alto rendimiento esperado y alta incertidumbre", explica SDK. Una incertidumbre alta indica que el polímero no se ha examinado en el pasado y un rendimiento alto indica la idoneidad del polímero para cumplir con un conjunto de requisitos de propiedades. SDK cree que la predicción de alta velocidad que permite la IA proporcionará una ventaja competitiva en el desarrollo de nuevos productos mediante la evaluación de una gran cantidad de materiales candidatos en un corto período de tiempo sin necesidad de experimentación manual.

AxiPolymer Inc. (Montreal, Que., Canadá; www.axipolymer.com) ha desarrollado soluciones de IA especializadas y personalizadas para las necesidades de los procesadores de polímeros. "La producción de polímeros, así como el procesamiento de polímeros, tienen parámetros interrelacionados sofisticados que determinan las propiedades finales del polímero, y estos parámetros producen una enorme cantidad de datos. La IA nos brinda la oportunidad de encontrar el patrón oculto entre estos parámetros para adaptar las propiedades de los productos finales. ”, dice AxiPolymer. La experiencia de la empresa con la IA comenzó inicialmente con el desarrollo de herramientas de ayuda para la toma de decisiones diseñadas para su implementación en los procesos de la cadena de suministro de polímeros. Luego, con base en un análisis adicional, el equipo comenzó a investigar las fallas de los equipos y las necesidades de mantenimiento predictivo de la industria utilizando tecnología de IA.

Dado que la IA y el aprendizaje automático aún son conceptos relativamente nuevos en la industria de los polímeros, AxiPolymer observa que muchas empresas no son conscientes de cuán profundamente estas herramientas pueden proporcionar competitividad empresarial. "La entrada principal para los algoritmos de IA son los datos históricos. En la industria de los polímeros, la cantidad y variedad de datos sin procesar es increíblemente alta. Claramente, es cuestión de tiempo hasta que estas herramientas se utilicen más comúnmente para obtener todos los beneficios de estos datos. " explica AxiPolymer. El equipo de I+D de AxiPolymer está trabajando actualmente en un nuevo módulo de toma de decisiones en tiempo real para proporcionar técnicas de optimización basadas en IA para productores y procesadores de polímeros. Teniendo en cuenta numerosos factores de control, como la presión del reactor, la temperatura y la velocidad de alimentación, así como el impacto de las variaciones de estos parámetros en otras propiedades, el módulo permitirá a los usuarios predecir y adaptar las propiedades del producto final sin técnicas convencionales de desarrollo de ensayo y error. Además, según AxiPolymer, el módulo puede brindar orientación sobre los cambios necesarios en el estado actual del sistema en función de las restricciones prácticas para mantener las propiedades objetivo del producto final (Figura 2).

FIGURA 2. Los nuevos módulos de IA pueden considerar los cambios de proceso necesarios requeridos para el estado actual de un sistema para apuntar a una propiedad de polímero específica

En otro proyecto de investigación de IA para el desarrollo de materiales, un equipo de investigadores de la Universidad de Osaka (www.osaka-u.ac.jp) aplicó IA para automatizar la selección de materiales para células solares fotovoltaicas orgánicas (OPV), que consisten en un componente orgánico y un polímero semiconductor. El trabajo buscó maximizar la eficiencia de conversión de energía (PCE) de las células OPV al determinar la combinación óptima de materiales orgánicos y poliméricos, un proceso que generalmente requiere una gran cantidad de experimentación de prueba y error que consume mucho tiempo. Usando inteligencia artificial y aprendizaje automático, el equipo pudo evaluar datos de 1200 células OPV diferentes para identificar el conjunto óptimo de propiedades (en este caso, banda prohibida, peso molecular y estructura química) para determinar rápidamente cuáles serían más eficientes y luego analice los polímeros para su PCE predicho. Luego, el equipo evaluó cuál de estos materiales resultantes podría fabricarse de manera más factible. Este trabajo en particular utilizó el aprendizaje automático de "bosque aleatorio", que crea una red de árboles de decisión para la clasificación y regresión de datos.

La promesa de las tecnologías de IA en el CPI se extiende más allá del laboratorio: la IA está posicionada para transformar las operaciones a través de una mejor planificación del mantenimiento y optimización de procesos.

En colaboración con SDK, Hitachi Ltd. (Tokio; www.hitachi.com) ha desarrollado y comercializado una plataforma de mantenimiento predictivo asistida por IA, que ahora se ofrecerá a los clientes de fabricación de Hitachi en todo el mundo. La planta de etileno Oita Complex de SDK sirvió como instalación de prueba para demostrar la practicidad comercial del nuevo servicio de IA, que utiliza la teoría de resonancia adaptativa (ART) para analizar y clasificar los datos operativos de la planta en tiempo real e identificar anomalías que podrían provocar fallas en el equipo. En pruebas en la planta de Oita, la tecnología predijo con éxito la aparición de coquización. Según Hitachi, este método es capaz de detectar patrones y anomalías que los modelos convencionales de mantenimiento predictivo no detectarían. Ahora, SDK planea implementar la tecnología en plantas adicionales, al mismo tiempo que refina aún más el modelo de IA para determinar diferentes mecanismos de coquización.

En diciembre de 2018, Compañía Española de Petróleos SAU (Cepsa; Madrid, España; www.cepsa.com) completó un proyecto para implementar tecnologías de IA para mejorar las operaciones en su unidad de producción de fenol en la planta química de Palos en Huelva, España (Figura 3) . Según la empresa, estas nuevas medidas habilitadas por IA han aumentado la producción de fenol en un 2,5 %, lo que ha dado como resultado una capacidad anual adicional de 5500 toneladas métricas. Para lograr esto, se desarrollaron dos rutinas de optimización en tiempo real que usan aprendizaje automático y modelos predictivos para proporcionar recomendaciones de mejora operativa al personal de la planta en intervalos de 15 minutos. La construcción de estos optimizadores requirió el análisis de más de 3000 variables de proceso, desde datos de laboratorio hasta condiciones climáticas locales.

FIGURA 3. El empleo de IA en esta planta de fenol aumentó efectivamente la capacidad de producción en más de 5.000 toneladas métricas por añoCepsa

En junio de 2018, Repsol (Madrid, España; www.repsol.com) lanzó una colaboración con Google Cloud para aplicar IA y análisis de datos avanzados para optimizar el consumo de energía y otros recursos en la refinería de petróleo de 186 000 bbl/d de Repsol en Tarragona, España . Según Repsol, el proyecto tiene como objetivo gestionar de forma inteligente más de 300 variables utilizando varios modelos de inteligencia artificial y aprendizaje automático, lo que representa un aumento de más de diez veces en la cantidad de variables que normalmente manejan los sistemas industriales integrados digitalmente.

Los sensores "inteligentes", la IA y la robótica se emplean cada vez más para mejorar la seguridad y la eficiencia de los recursos. El operador de terminales y tanques de almacenamiento Royal Vopak (Rotterdam, Países Bajos; www.vopak.com) está probando varias tecnologías avanzadas en sus instalaciones en Singapur, incluidos drones, robots y sistemas de planificación y logística "inteligentes" (Figura 4). "El uso de robots para las inspecciones de tanques evita enviar personal a espacios confinados y minimiza la exposición del personal a condiciones potencialmente peligrosas", dice Edwin Ebrahimi, líder de participación en innovación de Vopak Terminals Singapur. Además, dado que no es necesario limpiar ni ventilar los tanques para las inspecciones robóticas en servicio, se evita la generación de emisiones y aguas residuales. Durante estas inspecciones en servicio, el tanque permanece disponible para los clientes. Además de la robótica de inspección, el equipo también está evaluando el monitoreo de condiciones y la integración de la cadena de suministro digitalizada como parte de su impulso de innovación en Singapur (Figura 5). "Las terminales de Singapur funcionan como un banco de pruebas para nuevas tecnologías y, después de las pruebas exitosas aquí, nuestro objetivo es implementarlas en toda nuestra red en todo el mundo", explica Ebrahimi. Más allá de analizar y automatizar los procesos técnicos, la empresa también está teniendo éxito en la digitalización de las actividades administrativas y logísticas. "El uso de RPA e IA nos ayudará a reducir la carga de trabajo administrativo de nuestros departamentos de logística y operaciones, para que puedan concentrarse en tareas de valor agregado para nuestros clientes, creando una mejor visibilidad en su cadena de suministro. Finalmente, mejorar la productividad de la terminal conducirá a costos operativos más bajos", dice Ebrahimi.

FIGURA 4. Se prepara un robot de inspección automatizado para su implementación en un tanque de almacenamiento en servicio Vopak

FIGURA 5. Drones, robots y plataformas avanzadas de detección y análisis se unen para mejorar la seguridad y la gestión de la cadena de suministro de las terminales de almacenamiento Vopak

AI también promete optimizar las operaciones de tratamiento de agua. Dos proyectos separados de la Universidad de Waterloo (Ontario, Canadá; www.uwaterloo.ca) están utilizando IA para abordar los principales desafíos del tratamiento del agua: fugas y cianobacterias. Trabajando con socios de la industria, los investigadores de la universidad han desarrollado una sofisticada plataforma de procesamiento de señales de IA que utiliza sensores de hidrófonos para registrar señales acústicas para detectar incluso fugas muy pequeñas en las tuberías de agua. En las pruebas de laboratorio, los sensores detectaron con éxito fugas tan pequeñas como 17 L/min, y los investigadores ahora están realizando pruebas de campo de la tecnología. La capacidad de detectar signos de fuga de forma rápida y precisa permite una respuesta más proactiva.

La presencia de cianobacterias crea una variedad de problemas serios para las plantas de tratamiento de agua, y el monitoreo es crucial para mitigar estos problemas. El software de IA desarrollado en la Universidad de Waterloo puede identificar y cuantificar diferentes variedades de cianobacterias y proporcionar análisis automáticos de muestras de agua en aproximadamente 1 a 2 horas, considerablemente más rápido que las técnicas tradicionales de análisis manual que pueden requerir de 1 a 2 días para completarse. La rotación rápida del análisis puede proporcionar a los operadores una advertencia temprana de posibles problemas. El objetivo del equipo es convertir el software de IA en una solución microscópica de monitoreo continuo para manejar microorganismos adicionales y otros contaminantes más allá de las cianobacterias.

El mes pasado, en el Consumer Electronics Show (CES) de 2019 en Las Vegas, Nevada, ExxonMobil Corp. (Irving, Tex.; www.exxonmobil.com) e IBM Q (www.ibm.com/ibmq), la primera empresa de IBM en la industria centrada en acelerar las tecnologías cuánticas, anunció una nueva asociación que traerá capacidades de computación cuántica al sector energético por primera vez. La computación cuántica, una tecnología emergente con un poder computacional inmenso, promete abordar desafíos científicos extremadamente complejos de manera más efectiva que las computadoras convencionales. Para ExxonMobil, las aplicaciones potenciales de la computación cuántica incluyen el modelado ambiental predictivo y el descubrimiento de nuevos materiales para una captura de carbono más eficiente.

Si bien las tecnologías avanzadas como la computación cuántica aún son muy nuevas para el CPI, sin duda seguirán surgiendo nuevas aplicaciones a medida que más usuarios comiencen a comprender las capacidades de la IA.