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 producci贸n se encuentran en Chile, B茅lgica, M茅xico y Alemania.
El molibdeno es un mineral utilizado en desde grandes obras de infraestructura hasta aeron谩utica y aplicaciones m茅dicas , otorgando caracter铆sticas 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 oxidaci贸n ya que utilizando metodolog铆a 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 composici贸n, y 茅sto lo saben s贸lo horas despu茅s de que el material ha ingresado al proceso productivo, donde el tipo de material que ingresa afecta directamente el consumo energ茅tico de los hornos y de los reactores de oxidaci贸n.
驴C贸mo es posible optimizar este proceso con Inteligencia Artificial?
La Inteligencia Artificial nos puede ayudar a predecir c贸mo ser谩 el material que proviene de cada minera. Para eso utilizamos la informaci贸n hist贸rica de todas las muestras que se han recolectado a lo largo de los a帽os, de todos los maxi-sacos que han ingresado a la planta.
Con esta informaci贸n es posible modelar una red neuronal capaz de predecir las caracter铆sticas de la materia prima, y con eso hacer ajustes operacionales.
驴Qu茅 tipo de ajustes se pueden realizar?
Al tener la informaci贸n de la materia prima, el Jefe de Planta puede mejorar la forma en que se alimentan los hornos y el reactor de oxidaci贸n. Considerando que una materia prima estable y con ciertas caracter铆sticas disminuye el uso energ茅tico, puede tomar la decisi贸n 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 m谩s adecuado seg煤n su composici贸n. Algunas ir谩n directamente a los hornos o al reactor, mientras que otras se dejar谩n almacenadas para su uso posterior.
驴Cu谩les son las proyecciones de este proyecto?
Molymet estima disminuir en un rango de 3% – 5% el consumo energ茅tico tanto en hornos de tostaci贸n como en el reactor, y a su vez disponer de una herramienta de predicci贸n 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 informaci贸n:
La disponibilidad de informaci贸n es clave. Los algoritmos predictivos se pueden utilizar pero es necesario alimentarlos con informaci贸n hist贸rica. Mientras mayor informaci贸n exista y que dicha informaci贸n se pueda parametrizar y correlacionar, mejor. Cada vez que se ejecuta un muestreo sirve para retroalimentar el algoritmo, por lo que este tipo de tecnolog铆a no reemplaza el proceso de muestreo, lo que hace es tomar esta informaci贸n 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 operaci贸n y as铆 tomar decisiones estrat茅gicas.
聽
聽
Me gustar铆a implementar AI en mi empresa, 驴Qu茅 cosas debo considerar?
Esta tecnolog铆a por muy innovadora, debe centrarse en las personas. En aquellas personas que d铆a a d铆a est谩n involucradas en la operaci贸n. Sin su experiencia y sus conocimientos aplicar la tecnolog铆a es muy dificil. Existen barreras de adopci贸n que debemos trabajar para que la implementaci贸n sea un 茅xito, y por lo mismo siempre es 煤til incorporar programas de Customer Success para disminuir las barreras tecnol贸gicas y mejorar la adopci贸n de este tipo de herramientas.
聽
聽