Aprovechando el Machine Learning para reducir emisiones manufactureras y combatir el cambio climático

El cambio climático representa una amenaza considerable para la humanidad, y no es solo un problema que deba dejarse para generaciones futuras. Si las emisiones de gases de efecto invernadero no se eliminan casi por completo para 2050, el mundo enfrentará consecuencias catastróficas respecto a la temperatura global. Aunque muchas industrias han dado pasos para reducir sus emisiones, persiste la reticencia a moverse en esta dirección debido a los costes falsamente presumidos de buscar soluciones más verdes.

La manufactura, la logística y los materiales de construcción son algunos de los principales productores de emisiones de gases de efecto invernadero. Según el Consejo de Defensa de Recursos Naturales, las 15 principales empresas estadounidenses de alimentos y bebidas generan más gases de efecto invernadero cada año que la totalidad de Australia. Sin embargo, con la adopción del machine learning (ML), la industria también está bien posicionada para tener un impacto climático positivo.

El ML ha sido aclamado como una herramienta poderosa para el progreso tecnológico, pero a pesar de usarse para combatir la escasez mundial de alimentos, ha habido una falta de esfuerzo para identificar cómo puede usarse para otros fines ambientales. El ML en fábricas, a través de varios sectores, puede contribuir a reducir las emisiones globales impulsando la eficiencia energética, optimizando la cadena de suministro y mejorando la calidad de producción.

Reducción del consumo

Un problema común en las fábricas es que las máquinas operan a una capacidad demasiado alta para la producción requerida. Muchas fábricas podrían ser mucho más eficientes consumiendo menos energía de máquinas individuales sin afectar su rendimiento. Si una máquina solo necesita el 25 % de su consumo máximo de potencia para hacer funcionar una línea a una velocidad particular, una variedad de técnicas de ML pueden resaltar esto correlacionando datos de potencia y producción, permitiéndote optimizar tus ajustes de potencia incluso si los ajustes óptimos cambian a medida que las máquinas envejecen.

En el caso de plantas de energía, el ML puede usarse con imágenes térmicas para determinar qué partes de una planta están a niveles de temperatura excesivos y modular cuánta potencia aplican a esa parte. Si las fábricas adoptan un principio similar para el consumo de electricidad, esto aumentaría aún más la eficiencia. Una forma de hacerlo podría ser optimizar los sistemas de calefacción, ventilación y aire acondicionado de una fábrica. Aunque sería una inversión potencialmente grande, una fábrica también podría usar ML para simular la producción y el consumo de energía de sus fábricas bajo diferentes fuentes de energía, facilitando el rediseño de procesos industriales para funcionar con energía baja en carbono en lugar de carbón, petróleo y gas.

Además del consumo de energía, las fábricas también pueden usar ML para detectar productos defectuosos antes de que se produzcan (por ejemplo, usando visión por computadora para detectar defectos de producto temprano en sus líneas, o usando datos históricos para predecir causas de error antes de que ocurran), reduciendo significativamente su desperdicio. Esto tiene una variedad de beneficios: se requeriría menos tiempo para producir el mismo rendimiento, se desperdiciaría menos tiempo en mal rendimiento, y se producirían menos emisiones en bienes desechados. Si el desperdicio de una fábrica valorada en 100 millones de dólares se redujera en un 10 %, tendría el efecto equivalente en emisiones de retirar 2.000 coches de la carretera por un año. Esto destaca el enorme impacto que cambios aparentemente menores en una fábrica podrían tener en los niveles de emisión.

Optimización de la cadena de suministro

En muchas fábricas, los productos se sobreproducen o sobrestockean. Esto desperdicia recursos a través de la producción pero también conduce a mayores emisiones por el peaje en envío y almacenamiento. El ML puede reducir esto pronosticando la demanda. En el ejemplo de la industria alimentaria, podría conducir a menores pérdidas post-cosecha identificando cuándo un producto podría estar a punto de echarse a perder, usando algoritmos cuantitativos para rastrear la vida útil o incluso visión por computadora para rastrear cómo los cambios de color significan que la comida se está acercando a echarse a perder. Si la tensión en el almacenamiento se redujera optimizando la red de suministro de esta manera, entonces un porcentaje mayor de productos podría venderse porque los productos correctos se enviarían cuando la demanda estuviera allí. Teóricamente, el ML también podría usarse para ayudar a una fábrica a establecer una red de proveedores, basada en categorías como geografía y antigüedad de la empresa, para construir algoritmos que ayuden a pensar en el proceso de toma de decisiones de qué proveedor elegir.

Técnicas de ML como la visión por computadora también permiten a las fábricas "calificar" y documentar la calidad de sus productos. Realizar estas calificaciones según cualquier estándar ampliamente aceptado permite a los proveedores proporcionar un nivel de certificación a su producto, lo que da confianza a clientes potenciales y amplía los mercados que pueden alcanzar. Como ejemplo, debido a los fuertes aranceles entre EE. UU. y China sobre productos de acero, el acero a menudo se envía a través de países terceros, disminuyendo la garantía del cliente final sobre la calidad final. La inspección y certificación basada en ML, ya sea del lado del proveedor o del cliente, facilita a los usuarios de acero estadounidenses obtener acero de más países.

Refinamiento de procesos

Muchos sectores manufactureros sufren de materiales desperdiciados y pérdida de energía en el proceso de producción. Por ejemplo, en la producción de acero, hay mucha modificación y transferencia de calor durante el conformado que conduce a una pérdida sustancial de energía. Se emiten 1,8 toneladas de CO2 a lo largo de la cadena de suministro por tonelada de acero producida, y el 9 % de los gases de efecto invernadero globales se emiten durante la producción de cemento y acero. En fábricas donde se produce plástico, hay mucho desperdicio de materiales que no se reciclan porque el plástico no puede reciclarse en la misma medida que los metales.

Estos dos tipos de producción podrían ver el cambio más drástico en términos de reducción de su desperdicio y residuos. En lugar de enfocarse en soluciones verdes que muchas startups ofrecen a costes adicionales, la reducción de desperdicios y residuos debería ser el principal incentivo para estas industrias, lo que a su vez conduce a ahorros de energía y producción más sostenible. La sostenibilidad y las soluciones de energía limpia no deberían verse como un lujo para fábricas que pueden permitírselas, sino más bien como un subproducto del aumento de la eficiencia. Las fábricas también pueden aumentar su rendimiento sin ir por un camino de soluciones de energía limpia explícitas —usar menos energía de la necesaria es simplemente una buena práctica.

El ML puede ayudar en la lucha contra el cambio climático refinando los procesos manufactureros, lo que conduce a mayor eficiencia, menor consumo de energía y reducción de emisiones. A su vez, estos resultados permitirán a las fábricas sentirse seguras al cambiar el énfasis hacia una producción más limpia. Aplicar ML para abordar el cambio climático puede ayudar a descarbonizar el sector manufacturero, avanzar algunas de las técnicas de ML que aún están en su infancia, y beneficiar a la sociedad en su conjunto.

Arjun Chandar y Hunter Ashmore son cofundadores de IndustrialML Inc.