Cómo los modelos fundacionales pueden ayudar a que la producción de acero y cemento sea más sostenible

Los sectores pesados, en particular el cemento, el acero y los productos químicos, son los principales sectores emisores de gases de efecto invernadero, contribuyendo con el 25 % de las emisiones mundiales de CO2. Utilizan calor a alta temperatura en muchos de sus procesos, impulsado principalmente por combustibles fósiles. La lucha contra el cambio climático requiere reducir las emisiones de los sectores industriales pesados. Sin embargo, estos sectores se enfrentan a enormes desafíos para reducir las emisiones de gases de efecto invernadero. Reemplazar el equipo no viable para reducir las emisiones, ya que estos sectores son intensivos en capital, con ciclos de vida del activo de más de 40 años. También están probando combustibles alternativos, que conllevan sus propios retos de disponibilidad de combustibles alternativos y la capacidad de gestionar procesos con mezclas de combustibles. El Acuerdo de París sobre el cambio climático también obliga a estos sectores a reduzcir las emisiones anuales entre un 12% y un 16% de aquí a 2030. La IA generativa, cuando se aplica a los procesos industriales, puede mejorar el rendimiento de la producción, reducir la variabilidad de la calidad y disminuir el consumo específico de energía (reduciendo así los costes operativos y las emisiones).

Una mayor variabilidad en los procesos y operaciones da como resultado un mayor consumo específico de energía (SEC) y mayores emisiones. Esta variabilidad proviene de la inconsistencia del material (la materia prima proviene de la tierra), las condiciones meteorológicas variables, las condiciones de la máquina y la incapacidad humana para llevar a cabo los procesos con la máxima eficiencia las 24 horas del día, todos los días de la semana. La tecnología de inteligencia artificial puede predecir la variabilidad futura en los procesos y el impacto resultante en el rendimiento, la calidad y el consumo de energía. Por ejemplo, si predecimos la calidad del clínker de antemano, podremos optimizar la energía térmica y la combustión en el horno de cemento, de tal manera que se produzca clínker de calidad con un mínimo de energía. Dicha optimización de los procesos reduce el consumo de energía y, a su vez, reduce tanto las emisiones de la energía como las de los procesos.

Los modelos fundacionales hacen que la IA sea más escalable al consolidar el coste y esfuerzo del entrenamiento de modelos hasta en un 70 %. El uso más común de los modelos fundacionales es en aplicaciones de procesamiento del lenguaje natural (PLN). Sin embargo, cuando se adaptan en consecuencia, los modelos fundacionales permiten a las organizaciones modelar con éxito procesos industriales complejos con precisión, creando un gemelo digital del proceso. Estos gemelos digitales capturan relaciones multivariantes entre variables de proceso, características de materiales, requisitos de energía, condiciones climáticas, acciones del operador y calidad del producto. Con estos gemelos digitales, podemos simular condiciones operativas complejas para obtener puntos de ajuste operativos precisos para los "puntos óptimos" del proceso. Por ejemplo, el gemelo digital del horno de cemento recomendaría el combustible, el aire, la velocidad del horno y la alimentación óptimas que minimizan el consumo de energía térmica y siguen produciendo la calidad adecuada de clínker. Cuando estos puntos de ajuste optimizados se aplican al proceso, vemos mejoras de eficiencia y reducciones de energía que no se habían visto ni realizado antes. La mejora de la eficiencia y el SEC no solo se traducen en valor EBITDA, sino que también reducen las emisiones de la energía y las de los procesos.

La industria pesada ha estado optimizando procesos con modelos de IA durante los últimos años. Normalmente, los modelos de regresión se utilizan para capturar el comportamiento de los procesos: cada modelo de regresión captura el comportamiento de una parte del proceso. Cuando se unen con un optimizador, este grupo de modelos representa el comportamiento general del proceso. Estos grupos de 10-20 modelos están orquestados por un optimizador como una orquesta para generar recomendaciones optimizadas de puntos operativos para las plantas. Sin embargo, este enfoque no pudo capturar la dinámica del proceso, como las subidas y bajadas, especialmente durante las interrupciones. Y entrenar y mantener docenas de modelos de regresión no es fácil, lo que lo convierte en un cuello de botella para acelerar el escalado.

Hoy en día, los modelos fundacionales se utilizan principalmente en el procesamiento del lenguaje natural. Utilizan la arquitectura del transformador para registrar relaciones a largo plazo entre palabras (tokens en terminología de IA generativa) en un cuerpo de texto. Estas relaciones se codifican como vectores. Estos vectores de las relaciones se utilizan para generar contenido para cualquier contexto específico (por ejemplo, un contrato de alquiler). La precisión del contenido resultante generado a partir de estos vectores mapeados es impresionante, como demuestra ChatGPT. ¿Y si pudiéramos representar los datos de series temporales como una secuencia de tokens? ¿Y si pudiéramos utilizar la arquitectura del transformador para codificar datos de series temporales multivariantes y capturar relaciones a largo y corto plazo entre variables?

IBM Research, en colaboración con IBM Consulting, ha adaptado la arquitectura del transformador para datos de series temporales y ha encontrado resultados prometedores. Usando esta tecnología, podemos modelar un proceso industrial completo, por ejemplo, un horno de cemento con un solo modelo fundacional. Los modelos fundacionales están entrenados en un dominio de proceso y pueden capturar el comportamiento de toda la clase de activos y procesos. Por ejemplo, un modelo fundacional de un molino de cemento puede capturar el comportamiento de varias capacidades de molinos de cemento. Por lo tanto, cada molino posterior en el que lo implementemos solo necesita pasar por un ajuste fino del "Modelo fundacional del molino de cemento" en lugar de un proceso de entrenamiento descendente. Esto reduce a la mitad el tiempo de entrenamiento e implementación del modelo, lo que lo convierte en una tecnología viable para su implementaciones a gran escala. Hemos observado que estos modelos fundacionales son 7 veces más precisos que los modelos de regresión. Y además, podemos capturar la dinámica de los procesos, ya que estos modelos realizan previsiones multivariantes con buena precisión.

La tecnología de IA generativa está destinada a transformar la producción industrial a un nivel imprevisible. Esta es la solución para controlar las emisiones industriales y aumentar la productividad con un impacto mínimo de CAPEX y un impacto EBITDA positivo. IBM está colaborando con varios clientes para llevar esta tecnología al terreno de la producción y está observando un aumento de hasta el 5 % en la productividad y una reducción de hasta el 4 % en el consumo específico de energía y las emisiones. Formamos un equipo de innovación conjunto con los equipos de los clientes y, juntos, entrenamos e implementamos estos modelos para varios casos de uso que varían de la optimización de la cadena de suministro a la optimización de la producción, la optimización de activos o la optimización de la calidad hasta la optimización de la planificación. Hemos comenzado a implementar esta tecnología en una gran planta de acero en la India, una planta de cemento en América Latina y la fabricación de CPG en Norteamérica.

En última instancia, se trata de personas: los operadores de la planta deben recibirla con los brazos abiertos, los ingenieros de procesos deben amarla y la gerencia de la planta debe valorarla. Eso solo se puede lograr con colaboración y gestión del cambio eficaces, en las que nos centramos a través del compromiso. Asociémonos en su fomento en una era en la que podemos aumentar nuestras capacidades de producción sin comprometer las ambiciones de sostenibilidad y crear un mundo mejor y más saludable para las generaciones futuras.