Las soluciones de IA industrial están dando forma a una nueva era autónoma de plantas auto-optimizables en la industria de la refinación, según Antonio Pietri, presidente y director ejecutivo de Aspen Technology. Escuchamos cómo la tecnología de software y como la inteligencia artificial, pueden ofrecer nuevas oportunidades para las empresas.
El mercado de refinación actual se caracteriza por una volatilidad extrema, alimentada por fluctuaciones dramáticas en la demanda y los precios del petróleo y el combustible. Esto ejerce presión sobre los ejecutivos y gerentes de refinerías que deben evaluar continuamente nuevos escenarios de economía, impacto ambiental, logística y seguridad. La capacidad que demuestren para analizar y reaccionar de forma rápida y eficiente ante estas situaciones y desarrollar una mayor capacidad de recuperación y confiabilidad operativa será crucial para sostener tanto sus negocios como su ventaja competitiva.
La visión a largo plazo para la industria es la planta autónoma y auto-optimizable, y el creciente despliegue de Inteligencia Artificial (IA) en todo el sector está acercando esto cada vez más a la realidad. Sin embargo, si bien la refinación ha sido uno de los primeros sectores en adoptar muchas herramientas digitales, la industria aún no se ha dado cuenta del potencial de la IA industrial.
Eso se debe en gran parte a que el aprendizaje automático y la inteligencia artificial se bloquean con frecuencia de forma aislada en la actualidad, en lugar de combinarse con las capacidades de ingeniería existentes (herramientas, modelos y experiencia) para ofrecer una solución práctica que optimice eficazmente los activos de la refinería.
Estos son activos que generalmente se basan en modelos de ingeniería construidos a partir de los «primeros principios» (o principios básicos fundamentales) de la química y la física, que incorporan conocimientos de dominio clave, como la seguridad de los procesos y la comprensión de los sistemas complejos de la industria.
Estos modelos se basan en los conocimientos y la experiencia de los principales científicos, ingenieros de procesos y operadores del mundo. Son muy precisos, pero tienen limitaciones en ciertos procesos; para mejorar su precisión, se deben emplear datos de la planta para calibrarlos según las condiciones y el rendimiento observados de la planta. Actualmente, la calibración eficaz del modelo requiere una gran comprensión y experiencia.
Un modelo híbrido en construcción
Aquí es donde la IA y el aprendizaje automático tienen un papel clave que desempeñar. Estas tecnologías están emergiendo rápidamente como herramientas que pueden acelerar en gran medida la capacidad de emplear datos de plantas, tanto para calibrar modelos de primeros principios como para crear rápidamente modelos de procesos y fenómenos basados en datos. La IA tiene el potencial de reducir la experiencia necesaria para modelar los sistemas de procesos, pero debe combinarse con la experiencia del dominio para crear las «barreras» del mundo real que le permitan trabajar de forma segura, fiable e intuitiva.
Esta combinación permite lo que llamamos «modelos híbridos», que combinan de manera efectiva la inteligencia artificial y los primeros principios para ofrecer un modelo completo y preciso de manera más rápida y sin requerir una experiencia significativa. Y, lo que es más importante, sirven como un punto de partida vital en el camino hacia la planta de auto-optimización.
El aprendizaje automático se utiliza para crear el modelo, aprovechando la simulación, la planta o los datos de la planta piloto. El modelo también utiliza el conocimiento del dominio, incluidos los primeros principios y las limitaciones de ingeniería, para construir un modelo enriquecido, sin requerir que el usuario tenga una gran experiencia en procesos o sea un experto en inteligencia artificial.
Las soluciones respaldadas por modelos híbridos actúan como un punto de conexión entre el primer mundo de hoy centrado en principios y el entorno de «refinería inteligente» del futuro. Son el impulsor esencial de la planta auto-optimizable.
Hoy, muchas empresas ya están experimentando los beneficios de un enfoque de modelado híbrido. Los márgenes en refinación y olefina están estrechamente relacionados con la capacidad de los planificadores y operadores de la planta para lograr una producción mensual lo más cercana posible al plan, y las brechas generalmente se pueden rastrear hasta modelos de planificación desactualizados o inexactos. Una de las refinerías más grandes del mundo proyecta que la capacidad de generar revisiones actualizadas de estos modelos de reactores detallados con la frecuencia que sea necesaria generará un valor de más de 10 millones de dólares estadounidenses al año para una refinería típica de 200.000 barriles por día. Esta tecnología es especialmente oportuna ya que las refinerías se enfrentan a cambios drásticos en los productos que deben generar.
Cumpliendo objetivos
El desarrollo de soluciones de modelos híbridos también será, para muchos refinadores, el primer paso para hacer realidad la visión de la planta auto-optimizable. En AspenTech, definimos esto como una instalación que puede adaptarse y responder automáticamente a las condiciones operativas cambiantes.
Basándose en una combinación de inteligencia artificial y conocimientos de dominio clave, la planta de auto-optimización evaluará rápidamente todos los flujos de datos disponibles, tanto dentro de un activo como más allá de sus límites. Reaccionará rápidamente a las condiciones cambiantes para lograr el mejor resultado posible, teniendo en cuenta la seguridad, la sostenibilidad, la salud de los activos y los objetivos operativos. Además, utilizará la inteligencia artificial para anticipar el comportamiento futuro y proporcionar a los trabajadores y gerentes escenarios operativos alternativos en el futuro.
En la planta auto-optimizable del futuro, los operadores e ingenieros estarán supervisando la toma de decisiones más rápida y ágil, liberada de tareas repetitivas y de bajo valor agregado, por los sistemas que han cerrado el ciclo para operar la planta cerca de lo previsto. límites y reaccionar automáticamente ante escenarios imprevistos. Además, la información de confiabilidad de los activos y los datos operativos informarán a los modelos para lograr diseños más seguros y sostenibles.
Ese es el objetivo final hacia el que todos nos dirigimos. Todavía hay un camino por recorrer en el viaje de la industria del refino, pero el avance logrado a través de las capacidades de modelado híbrido ha abierto una oportunidad completamente nueva y es un paso transformador hacia adelante en el mapa de ruta hacia la planta auto-optimizable.
