Un caso de uso de la IA para la industria petroquímica

Actualmente vivimos un auténtico boom de la IA, gracias a la progresiva digitalización de todas nuestras actividades, propiciada por las mayores capacidades y el abaratamiento del hardware y la potencia del software. En nuestra vida diaria ya estamos rodeados de IA, aunque quizás no seamos conscientes de ello: las recomendaciones de Netflix, los asistentes de voz, las traducciones automáticas, el modo automático de la cámara de fotos, chatbots de atención al cliente, son sólo algunos ejemplos. Los más "puristas" dirán que la gran mayoría de estas aplicaciones no son IA, sino más bien Machine Learning (en adelante, ML), pero si me lo permitís, usaré ambos conceptos prácticamente como sinónimos.

Las empresas -también las industriales- se han lanzado al uso de la IA/ML para mejorar sus operaciones. Un ejemplo de uso en la Industria del refino y la petroquímica son los Analizadores Virtuales.

“Un ejemplo de uso en la Industria del refino y la petroquímica son los Analizadores Virtuales”

Tal vez os suene la problemática, aunque las condiciones de proceso se mantengan dentro de los valores normales, por muy diversas razones las características/propiedades de los productos terminados o intermedios pueden verse alteradas. Por eso, periódicamente -una o varias veces por turno de trabajo- se extraen muestras que se envían al laboratorio para que sean analizadas y detectar cualquier problema en la producción (en empresas de manufactura el equivalente sería el control de calidad de una muestra del lote terminado). El inconveniente: si la muestra no cumple con las especificaciones, hasta que no se conoce el resultado negativo no podrán modificarse las condiciones de proceso para corregirlo y habrá que esperar hasta tener los resultados de una nueva muestra para ver si las modificaciones tuvieron el efecto deseado. Durante todo este intervalo de tiempo -que pueden ser varias horas- la producción podría estar fuera de especificación y habrá que reprocesarla para corregirla, con los consiguientes extracostes que esto supone.

Como alternativa a los ensayos de laboratorio existen los analizadores de proceso en línea, "pequeños laboratorios autónomos" que miden propiedades de las corrientes, evitando algunos de los problemas propios del método antes descrito de muestreo manual + análisis en laboratorio. El diseño, construcción y mantenimiento de estos equipos no es sencillo, y por lo tanto, tampoco barato, además de que por cómo funcionan (muestreo, preparación de muestra, análisis), en muchos casos el tiempo necesario para obtener la medida de interés limita su uso a una indicación, no pudiendo ser utilizados en lazos de control.

Desde siempre ha habido interés en conseguir la estimación de propiedades de las corrientes, basándose tradicionalmente en el desarrollo de modelos termodinámicos complejos. Estas estimaciones en condiciones de operación presentan variaciones significativas, involucran cálculos complejos que comprometen su puesta en operación en tiempo real y requieren de mucho tiempo y ensayos hasta afinar los modelos. Ahora, la IA/ML es una herramienta más para resolver estos problemas.

Entrenando algoritmos de ML con datos históricos del proceso y de laboratorio se generan modelos matemáticos que una vez validados permitirán prever ciertas características y/o propiedades a partir de los datos de entrada. El conocimiento del experto humano resulta fundamental para señalar los inputs que podrían influir en la variable a predecir (caudales, presiones, temperaturas, actividad de los catalizadores,...) aunque también pueden dejarse en manos de algoritmos, con el riesgo de añadir complejidad al modelo y/o hacer sus resultados menos comprensibles. Los algoritmos de ML -típicamente, algún tipo de algoritmo de regresión dentro del Aprendizaje Supervisado o Redes Neuronales- "aprenden/descubren" las relaciones existentes entre las variables de entrada y cómo afectan a la variable que se pretende estimar. Al eliminarse los tiempos muertos antes comentados, puede disponerse de estos valores de una forma más rápida y eficiente, por lo que cabe incluso la posibilidad de emplear estas inferencias como una variable más para los lazos de control.

No es la única aplicación de la IA/ML en la industria del petróleo: en Exploración y Producción se emplea en el análisis de los datos geológicos, en Mantenimiento el interés se centra en la predicción de fallos en los equipos e incluso en identificar la posible causa...

En definitiva, el uso de la IA/ML en la Industria tiene enormes posibilidades, y éstas aumentan gracias a la digitalización y a las sinergias con otras tecnologías de la Industria 4.0.

Victor Daniel Parra Mateos,

Miembro de la comisión de ISA España 

y Miembro grupo Industria conectada 4.0 en ISA España

págs. 12 a 13.