Machine Learning aplicado a la mejora del proceso de reciclaje y fusión de chatarras

Fecha

La industria 4.0 está revolucionando los procesos de toma de decisiones dentro de la industria manufacturera. Entre la cartera tecnológica que ha hecho posible esta revolución, la última literatura ha capitalizado el potencial del análisis de datos para mejorar el ciclo de producción en diferentes etapas, desde el aprovisionamiento de recursos hasta la planificación, la entrega y el almacenamiento.

La reutilización de chatarras en el sector de fundición, en particular en las grandes acerías, es un aspecto crítico en la fabricación de metales con la calidad que requiere la industria, de forma sostenible y eficiente.

El estado del arte de los sistemas de optimización de materias primas de fundición se basa en una caracterización y clasificación de las distintas familias de materiales (chatarras, retornos internos, etc.), con una información facilitada por el propio proveedor, en el mejor de los casos verificada con una muestra más o menos representativa del material recepcionado, que es fundida y analizada en pequeños hornos.

La fiabilidad de los resultados dados por el sistema de optimización depende directamente de la representatividad de esta información. Y aquí es donde se presenta el problema: cuando la chatarra es de buena calidad, los resultados finales concuerdan razonablemente bien con los esperados; por el contrario, cuando la chatarra es más heterogénea o su control logístico es más complejo, hay un riesgo grande de desviaciones químicas en el metal final que supondrían el rechazo de una parte importante de las coladas fundidas, con el consiguiente impacto negativo en costes y productividad.

Como consecuencia de esto, chatarras de baja calidad, por otra parte muy abundantes y de bajo coste, son infrautilizadas en favor de materia prima virgen (aluminio primario, arrabio…) , mucho más costosa y de producción difícilmente sostenible.

Los sistemas que en la actualidad se vienen implementando actualmente, ofrecen ya soluciones 3.0 con algoritmos de Investigación Operativa que, juntas, recogen casi todas las variables que influyen en el proceso de fundición: trazabilidad completa de materiales, variables ambientales, preparación de cargas de hornos, aditivos, parámetros de fusión (tiempos, temperaturas, variables eléctricas…), subproductos, metal final, composición química o rendimientos.

El siguiente paso natural ha sido aplicar todo este conocimiento, con técnicas Big Data, algoritmos de Machine Learning predictivos y de detección de anomalías, para conocer con la mayor precisión posible el comportamiento de las distintas chatarras según condiciones de operación e informar en tiempo real a los sistemas de toma de decisión.

Esto supone un antes y un después en los parámetros de eficiencia y calidad en la fabricación de metales.

Productos estratégicos como el acero pueden reducir sus costes de fabricación en el rango del 2% – 3%, mejorando su sostenibilidad al incrementar en más del 10% el uso de chatarras de baja calidad. En una planta de acero con una producción de 1 millón de Tm / año, supondría una reducción de costes de más de 10 millones de euros anuales.

Esta tecnología también es aplicable a fundiciones de hierro (gris/ nodular) en sectores tan importantes como el automotriz o el eólico.

Con estos resultados ya estamos trabajando.

Solicita una demo

Solicita una demo