Caso de negócios
Estojo Molymet
Caso de negócios AI Bruna - Powered by Altumlab
A Molymet é líder mundial na produção de molibdênio e rênio, com uma capacidade de 37% do processamento total de molibdênio e 70% de rênio. Suas plantas de produção estão atualmente localizadas no Chile, Bélgica, México e Alemanha.
O molibdênio é um mineral usado em tudo, desde grandes obras de infraestrutura até aplicações aeronáuticas e médicas, proporcionando características de alto valor agregado.
Para produzir, a Molymet compra matérias-primas em formato de maxi-bag de diferentes empresas de mineração a um preço acordado com elas de acordo com a qualidade. Na chegada, os maxi-bags são amostrados e enviados imediatamente para o reator de oxidação usando a metodologia Just in Time, principalmente devido à alta demanda e ao espaço de armazenamento limitado.
O problema é que, entre os diferentes fornecedores de mineração, o material não é o mesmo, há diferenças em sua composição, e isso só é conhecido horas depois de o material ter entrado no processo de produção, onde o tipo de material que entra afeta diretamente o consumo de energia dos fornos e reatores de oxidação.
Como é possível otimizar esse processo com a Inteligência Artificial?
A Inteligência Artificial pode nos ajudar a prever como será o material proveniente de cada mina. Para isso, usamos informações históricas de todas as amostras que foram coletadas ao longo dos anos, de todos os maxi-sacos que entraram na fábrica.
Com essas informações, é possível modelar uma rede neural capaz de prever as características da matéria-prima e, assim, fazer ajustes operacionais.
Que tipo de ajustes podem ser feitos?
Com as informações sobre a matéria-prima, o gerente da fábrica pode melhorar a forma como os fornos e o reator de oxidação são alimentados. Considerando que uma matéria-prima estável com determinadas características diminui o uso de energia, pode-se decidir alimentar maxi-bags de determinados fornecedores ou até mesmo pré-misturar diferentes fornecedores para manter a estabilidade. Uma das principais estratégias é segmentar as matérias-primas e, em seguida, alocá-las no processo mais adequado de acordo com sua composição. Algumas irão diretamente para os fornos ou reatores, enquanto outras serão armazenadas para uso posterior.
Quais são as projeções para esse projeto?
A Molymet estima uma redução de 3% a 5% no consumo de energia tanto nos fornos de torrefação quanto no reator e, ao mesmo tempo, ter uma ferramenta preditiva com uma assertividade de mais de 90% para misturar e alocar eficientemente as matérias-primas para os diferentes processos de produção no planejamento automatizado.
A importância das informações:
A disponibilidade de informações é fundamental. Os algoritmos preditivos podem ser usados, mas precisam ser alimentados com informações históricas. Quanto mais informações houver, e quanto mais essas informações puderem ser parametrizadas e correlacionadas, melhor. Cada vez que a amostragem é realizada, ela serve para alimentar o algoritmo, portanto, esse tipo de tecnologia não substitui o processo de amostragem, mas usa essas informações para fazer previsões. Embora não o substitua, há casos em que o processo de amostragem pode ser reduzido, mantendo-se os níveis de assertividade necessários para melhorar a operação e, assim, tomar decisões estratégicas.
Gostaria de implementar a AI em minha empresa, o que devo considerar?
Essa tecnologia, por mais inovadora que seja, deve ser centrada nas pessoas. Nas pessoas que estão envolvidas na operação cotidiana. Sem a experiência e o conhecimento delas, é muito difícil aplicar a tecnologia. Existem barreiras à adoção que devem ser trabalhadas para que a implementação seja bem-sucedida e, portanto, é sempre útil incorporar programas de Sucesso do Cliente para reduzir as barreiras tecnológicas e melhorar a adoção desse tipo de ferramenta.