Fondo Europeo de Desarrollo Regional «Una manera de hacer Europa»
Hemos obtenido la ayuda de la Convocatoria 2020 sobre desarrollo tecnológico y otras tecnologías habilitadoras digitales (C007/20-ED), impulsada por Red.es, dependiente del Ministerio de Asuntos Económicos y Transformación Digital, confinanciada con Fondos FEDER, en su campaña “una manera de hacer Europa”
Gracias a esta subvención y a un duro trabajo de investigación por parte del equipo de AMV, estamos orgullosos de informar que saldrá al mercado el nuevo módulo SMART, una ayuda en la caracterización de chatarras a partir de Machine Learning para todo tipo de fundiciones, acerías y recicladoras.
El módulo SMART (BA-Master) de Beyond ALEA llega para cubrir las dificultades en el control de la variabilidad de chatarras que hacen que las plantas fundidoras adopten posiciones conservadoras en el cálculo de sus recetas, abusando de chatarras de alta calidad y minimizando el uso de chatarras más variables y de menor coste, incluso en favor de material virgen (aluminio primario, arrabio, aleantes…).
Considerando que las materias primas de fundición representan, en la mayor parte de los casos, el principal centro de coste de fabricación (más del 80% en reciclaje de aluminio, y del 60% en el caso del acero), el impacto negativo en la rentabilidad y competitividad de la planta derivado de estas posiciones conservadoras es evidente. De hecho, estudios realizados por algunas acerías, compartidos con AMV, estimaban una reducción potencial de costes en materiales del orden de los 12 – 15 euros por toneladas, lo que representaría un ahorro del orden de los 10 millones de euros al final de cada ejercicio.
La aplicación de este módulo, tendrá los siguientes beneficios:
I. Permitir el uso de materiales más económicos minimizando el riesgo de colada fuera de especificación.
II. Reducir el número de ajustes químicos necesarios para alcanzar la química deseada, con reducción de tiempos Tap-to-Tap y costes energéticos.
III. Caracterizar las materias primas según calidad y variabilidad. En particular, clasificar de forma objetiva los proveedores por ratio calidad / coste, descartando aquellos que no cumplan los mínimos exigidos.
IV. Construir una base de conocimiento en la que se consideren todos los parámetros que intervienen en el rendimiento y la calidad de las coladas.
V. Dependiendo de la estructura de sistemas del cliente, el sistema puede actuar como cerebro de un sistema automático de optimización y toma de decisiones.
Agradecer esta subvención que supondrá un impulso a nuestro trabajo y en consecuencia al crecimiento económico y la creación de empleo, que por unos años la incertidumbre de la pandemia detuvo el progreso.
