Business Case

Caso Molymet

Business Case AI Bruna – Powered by Altumlab

Molymet es el principal productor mundial de Molibdeno y Renio en el mundo, con una capacidad del 37% del total de procesamiento de molibdeno y 70% de Renio . Actualmente sus plantas de producción se encuentran en Chile, Bélgica, México y Alemania.

El molibdeno es un mineral utilizado en desde grandes obras de infraestructura hasta aeronáutica y aplicaciones médicas , otorgando características de alto valor agregado.

Para producir, Molymet compra materias primas en formato de maxi-sacos a diferentes mineras a un precio acordado con ellos de acuerdo a la calidad. Los maxi-sacos al llegar son muestreados e inmediatamente derivados al reactor de oxidación ya que utilizando metodología Just in Time principalmente por la alta demanda y el espacio reducido para almacenamiento.

El problema es que entre los diferentes proveedores mineros el material no es el mismo, tienen diferencias en su composición, y ésto lo saben sólo horas después de que el material ha ingresado al proceso productivo, donde el tipo de material que ingresa afecta directamente el consumo energético de los hornos y de los reactores de oxidación.

¿Cómo es posible optimizar este proceso con Inteligencia Artificial?

La Inteligencia Artificial nos puede ayudar a predecir cómo será el material que proviene de cada minera. Para eso utilizamos la información histórica de todas las muestras que se han recolectado a lo largo de los años, de todos los maxi-sacos que han ingresado a la planta.

Con esta información es posible modelar una red neuronal capaz de predecir las características de la materia prima, y con eso hacer ajustes operacionales.

¿Qué tipo de ajustes se pueden realizar?

Al tener la información de la materia prima, el Jefe de Planta puede mejorar la forma en que se alimentan los hornos y el reactor de oxidación. Considerando que una materia prima estable y con ciertas características disminuye el uso energético, puede tomar la decisión de de alimentar con maxi-sacos de ciertos proveedores, e incluso efectuar una pre-mezcla de diferentes proveedores para mantener la estabilidad. Una de las principales estrategias es segmentar las materias primas para luego destinarlas al proceso más adecuado según su composición. Algunas irán directamente a los hornos o al reactor, mientras que otras se dejarán almacenadas para su uso posterior.

¿Cuáles son las proyecciones de este proyecto?

Molymet estima disminuir en un rango de 3% – 5% el consumo energético tanto en hornos de tostación como en el reactor, y a su vez disponer de una herramienta de predicción con una asertividad superior al 90% para mezclar de forma eficiente y destinar las materias primas a los diferentes procesos productivos en planificaciones automatizadas.

La importancia de la información:

La disponibilidad de información es clave. Los algoritmos predictivos se pueden utilizar pero es necesario alimentarlos con información histórica. Mientras mayor información exista y que dicha información se pueda parametrizar y correlacionar, mejor. Cada vez que se ejecuta un muestreo sirve para retroalimentar el algoritmo, por lo que este tipo de tecnología no reemplaza el proceso de muestreo, lo que hace es tomar esta información para predecir. Si bien no la reemplaza, existen casos en que puede disminuirse el proceso de muestreo manteniendo los niveles de asertividad necesarios para mejorar la operación y así tomar decisiones estratégicas.

Me gustaría implementar AI en mi empresa, ¿qué cosas debo considerar?

Esta tecnología por muy innovadora, debe centrarse en las personas. En aquellas personas que día a día están involucradas en la operación. Sin su experiencia y sus conocimientos aplicar la tecnología es muy dificil. Existen barreras de adopción que debemos trabajar para que la implementación sea un éxito, y por lo mismo siempre es útil incorporar programas de Customer Success para disminuir las barreras tecnológicas y mejorar la adopción de este tipo de herramientas.