Os nosos investigadores contribuíron con cálculo avanzado á resolución de cinco grandes retos empresariais

Peregrina Quintela presentando as conclusións do reto proposto por ArcelorMittal

O pasado venres celebrouse na Facultade de Informática de Santiago a edición 139 do ESGI (European Study Group with Industry), a xuntanza europea entre investigadores matemáticos e informáticos, por unha banda, e a industria innovadora, pola outra. Na reunión, impulsada polo instituto galego ITMATI, participaron cinco compañías de primeira liña propoñendo cadanseu desafío aos investigadores: tratábase de pór sobre a mesa cinco retos e que os expertos en cómputo avanzado puideran atoparlles respostas.
As compañías foron Repsol, ArcelorMittal, Biomasa Forestal, EcoMT e BorgWarner. Durante cinco días traballouse arreo con ferramentas de análise de información a gran escala (Big Data), aprendizaxe máquina (Machine Learning) ou MSO (Modelado, Simulación e Optimización).
Nas xeiras de traballo participaron persoas de todas as idades e experiencias: dende estudantes de grao, máster, doutorandos e posdoutorandos até investigadores senior, todos eles poñendo en común recursos para atopar solucións ás devanditas propostas (solucións que de ser viábeis sentarán os alicerces de colaboracións futuras para levalas de facto á práctica).
Segundo explica Peregrina Quintela, directora do Consorcio Instituto Tecnolóxico de Matemática Industrial (ITMATI) e presidenta da Rede Española Matemática-Industria (Math-in), entidades organizadoras do encontro, “en todos os casos as matemáticas foron a resposta”. Agora, engadiu, “as industrias participantes e os equipos de investigación continuarán a colaboración para poder desenvolver o que neste cinco días de intenso traballo só deu tempo a expor”.
Problema 1: modelos para evitar custosos ensaios
Nunha cela electrolítica, con ións cargados que son absorbidos por eléctrodos, o crecemento de dentritas é un contratempo que pode romper o dispositivo. “O noso obxectivo era crear modelos numéricos para ver como evoluciona o seu medre e comprobar se son quen de ocasionar fracturas, e determinar os parámetros necesarios para caracterizalos”, comenta Marco Fontelos, investigador do Instituto de Ciencias Matemáticas (ICMAT) e coordinador académico do Problema 1. “E cumprímolo, agora fica aínda moito por facer: validar os modelos, melloralos e integralos”, salienta. Na súa opinión, Repsol (que foi a que propuxo este reto) poderá coñecer mellor os seus dispositivos e tomar decisións sen ter que acudir a custosos ensaios experimentais.
Problema 2: Simulación numérica para motor
Para mellorar o rendemento dun forno no que se realiza soldadura forte (brazing) de pezas de motor, o equipo liderado por Elena Martín, profesora titular na Universidade de Vigo, investigadora adscrita a ITMATI e coordinadora académica do problema 2, preguntouse que posíbeis modelados poderían tentar reproducir o que pasa dentro do forno e así facer unha virtualización do mesmo. “Trátase dun tema complexo, que require máis tempo pero si tivemos tempo de definir, mediante simulación numérica e modelos zonais, os pasos, as premisas, os datos iniciais e as probas experimentais necesarias para facer un desenvolvemento futuro”, conta Martín.
Problema 3: Machine Learning para acelerar cálculos complexos
O obxectivo deste reto exposto por Repsol implicaba optimizar técnicas de Machine Learning para solucionar ecuacións complexas que modelan comportamentos caóticos, que requiren moito tempo de computación. “Nestas xornadas de traballo descubrimos que as técnicas de aprendizaxe máquina pódense utilizar para conseguir resultados moito máis rápido, pero é necesario, antes, moito traballo de calibrado”, explica Andrés Gómez, responsábel de Aplicacións e Proxectos no CESGA e coordinador académico do problema. Na súa opinión, “é unha vía moi interesante para explorar porque permite resolver moitos problemas operativos das empresas”.
Problema 4: modelos de predición para evitar paradas non planificadas
Prever cando convén substituír unha peza dunha engrenaxe antes de que falle resulta máis barato e menos traumático que unha vez que se rompeu e é necesario deter o proceso até que se amañe. Este é o obxectivo do mantemento predictivo e unha prioridade para a empresa de fabricación de pellet, Biomasa Forestal, que apostou por converterse nunha industria 4.0 dixitalizando e modelando os seus procesos para mellorar a eficiencia. “Conseguimos analizar os datos que ten a empresa sobre os seus procesos en busca de patróns que identifiquen cando están baixo control e cando poderían estar en risco de que falle algo”, conta Manuel Febrero, catedrático de Estatística e Investigación Operativa da Universidade de Santiago de Compostela e coordinador académico do problema 4.
Problema 5: do micro ao macro para simplificar sistemas
As cuncas de cerámica dos altos fornos cos que a empresa ArcelorMittal traballa son a suma de pezas de distinta composición e forma: unha variedade de ladrillos refractarios e a argamasa que os une. “A lei de comportamento a nivel microscópico destes materiais, nas diferentes situacións ás que se someten, é algo que non se pode calcular coa actual tecnoloxía”, explica Peregrina Quintela, coordinadora, xunto con Patricia Barral, do problema 5, ademais de catedrática de Matemática Aplicada na USC e Directora de ITMATI. “O obxectivo do noso traballo foi atopar unha adaptación da lei de comportamento microscópico a unha expresión que reflectise o comportamento macroscópico, que dese lugar a un cálculo accesíbel. Coma no estudo do corpo humano, acabamos por facer unha ponderación do conxunto de células e finalmente observamos o funcionamento dos órganos a nivel estrutural e non como un conxunto de átomos”, explican.