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

Las industrias pesadas, en particular el cemento, el acero y los productos químicos, son las principales industrias emisoras de gases de efecto invernadero, contribuyendo con el 25 % de las emisiones globales 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 la industria pesada. Sin embargo, estas industrias enfrentan enormes desafíos para reducir las emisiones de gases de efecto invernadero. Reemplazar equipamiento no es una ruta viable para reducir las emisiones, ya que estas industrias son intensivas en capital, con ciclos de vida de activos de más de 40 años. También están probando combustibles alternativos, que conllevan sus propios desafíos de disponibilidad de combustibles alternativos y la capacidad de gestionar procesos con mezclas de combustibles. El Acuerdo de París sobre el cambio climático también exige que estas industrias deberán reducir las emisiones anuales entre un 12 y un 16 % para 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 costos 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 climáticas variables, las condiciones de la máquina y la incapacidad humana para operar 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, supongamos que predecimos la calidad del clinker por adelantado, entonces podemos optimizar la energía térmica y la combustión en el horno de cemento de tal manera que se produzca clinker de calidad con la mínima energía. Dicha optimización de los procesos reduce el consumo de energía y, a su vez, reduce tanto la emisión de energía como la emisión del proceso.

Los modelos fundacionales hacen que la IA sea más escalable al consolidar el costo y el esfuerzo del entrenamiento de modelos hasta en un 70 %. El uso más común de los modelos fundacionales es en aplicaciones de procesamiento de 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 óptimos que minimizan el consumo de energía térmica y siguen produciendo la calidad adecuada de clinker. 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 eficiencia mejorada y el SEC no solo se traducen en valor EBITDA, sino que también reducen las emisiones de energía y las emisiones de 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 del proceso; 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 a 20 modelos están Orchestrate® 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 los aumentos y disminuciones, 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 de lenguaje natural. Utilizan la arquitectura transformadora para capturar 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 relación 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 lo demuestra ChatGPT. ¿Y si pudiéramos representar los datos de series temporales como una secuencia de tokens? ¿Qué sucede si podemos utilizar la arquitectura de transformadores paralelizados para codificar datos de series temporales multivariantes para capturar relaciones a largo y corto plazo entre variables?

IBM Investigación, en colaboración con IBM Consulting, adaptó la arquitectura transformadora para los datos de series temporales y encontró Resultados prometedores. Con esta tecnología, podemos modelar un proceso industrial completo, por ejemplo, un horno de cemento con solo un modelo fundacional. Los modelos fundacionales están entrenados para 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 fábrica posterior en la que nos despleguemos solo debe pasar por un ajuste del "Modelo fundacional de la fábrica de cemento" en lugar de un proceso de capacitación descendente. Esto reduce a la mitad el tiempo de entrenamiento y despliegue del modelo, lo que lo convierte en una tecnología viable para despliegues a gran escala. Hemos observado que estos modelos fundacionales son 7 veces más precisos que los modelos de regresión. Y para colmo, podemos capturar la dinámica del proceso, ya que estos modelos realizan forecasting con buena precisión.

La tecnología de IA generativa está destinada a transformar la producción industrial a un nivel imprevisto. Esta es la solución para controlar las emisiones industriales y aumentar la productividad con un impacto mínimo de CAPEX y un impacto positivo en EBITDA. IBM está colaborando con varios clientes para llevar esta tecnología a la planta de producción y ver 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 junto con los equipos de clientes y juntos entrenamos y desplegamos estos modelos para varios casos de uso que van desde la optimización de la cadena de suministro, la optimización de la producción, la optimización de activos, la optimización de la calidad hasta la optimización de la planificación. Comenzamos a desplegar esta Tecnología en una gran planta de acero en la India, una planta de cemento en América Latina y fabricación de CPG en América del Norte.

En última instancia, se trata de personas: los operadores de la planta deben adoptarlo, los ingenieros de procesos deben amarlo y la gerencia de la planta debe valorarlo. Eso solo se puede lograr con una colaboración eficaz y una gestión de cambios, en las que nos centramos a lo largo del compromiso. Asociémonos para fomentar en una era en la que podamos aumentar nuestras capacidades de producción sin comprometer las ambiciones de sustentabilidad y crear un mundo mejor y más saludable para las generaciones futuras.