Cepsa optimiza sus procesos químicos con inteligencia artificial
La compañía Cepsa ha concluido con éxito su primer proyecto de transformación digital en la unidad de química, aplicando a los procesos de producción tecnologías propias de la industria 4.0 e inteligencia artificial, como machine learning, big data y advanced analytics. Este primer proyecto ha sido desarrollado en la línea 3 de fenol de la planta química de Palos (situada en la provincia de Huelva), donde ha permitido aumentar la producción de un produc- to intermedio del fenol un 2,5%, que contribuirá a producir más de 5.500 toneladas de fenol anuales. Esta iniciativa se enmarca en el proyecto de optimización YET (Yield, Energy and Throughput) de la petroquímica, que tiene como objetivo el desarrollo de proyectos propios de industria 4.0 centrados en la mejora de la eficiencia energética, la carga y el rendimiento de los procesos. El proyecto se enmarca dentro de una de las catorce líneas de trabajo transversales en torno a las cuales se estructura la transformación digital de Cepsa, aplicado en este caso a las unidades de química, refino y exploración y producción. En concreto, este primer proyecto ha consistido en el desarrollo e implantación de dos optimizadores en tiempo real en el proceso de producción de fenol. Mediante la aplicación de técnicas de machine learning y modelos predictivos, ofrecen recomendaciones cada 15 minutos a los técnicos de control de la planta para maximizar su producción. En este sentido, la tarea ha impulsado la aparición de nuevos perfiles de profesionales en el ámbito industrial petroquímico, como científicos e ingenieros de datos, y la evolución de las capacidades de los ingenieros de planta hacia la industria 4.0. Para poner en marcha este proyecto, han sido necesarios la extracción y análisis de más de 3.000 variables de proceso procedentes de distintas fuentes de información (de proceso, condiciones meteorológicas, datos de laboratorio, etcétera), la construcción de modelos predictivos de comportamiento a partir de la relación de estas variables y la programación de los optimizadores para ofrecer las mejores recomendaciones en cuanto a los valores óptimos de funcionamiento.