Investigadores del 139ª European Study Group with Industry, celebrado este mes en Santiago de Compostela, han presentado diversos modelos númericos para celdas electrolíticas, hornos, engranajes y otros dispositivos industriales. Cinco empresas multinacionales se han encargado de plantear los retos.
El pasado viernes concluyó en Santiago de Compostela el 139ª European Study Group with Industry (139 ESGI), donde los investigadores participantes consiguieron encontrar soluciones a los cinco problemas industriales. Los retos relacionados con la metalurgia, la automoción y la mejora de procesos industriales fueron planteados por cinco empresas de alcance multinacional: Repsol, ArcelorMittal, Biomasa Forestal, EcoMT y BorgWarner. En todos los casos, las matemáticas fueron la respuesta.
“Ahora, las industrias y los equipos de investigación continuarán la colaboración para poder desarrollar lo que en estos cinco días de intenso trabajo sólo ha dado tiempo a plantear”, cuenta Peregrina Quintela, directora del Consorcio Instituto Tecnológico de Matemática Industrial (ITMATI) y presidenta de la Red Española Matemática-Industria (Math-in), entidades organizadoras del encuentro.
Tecnologías como el big data, el machine learning y la MSO (Modelización, Simulación y Optimización) están detrás de las soluciones, ya que para llegar a la automatización de los procesos primero hace falta la metodología matemática. Convertir una suma de cálculos complejos en un modelo simplificado sin perder exactitud, encontrar la expresión de un fenómeno físico en el que participan numerosas variables o buscar la relación que guardan entre sí los datos recogidos por sensores son algunas de las tareas que un matemático tiene que abordar antes de que las máquinas puedan ponerse a hacer su trabajo.
Para el primer problema se presentaron modelos que evitan ensayos costosos. En una celda electrolítica, con iones cargados que son absorbidos por electrodos, el crecimiento de dentritas (pequeños hilos metálicos) es un contratiempo que puede romper el dispositivo. “Nuestro objetivo era crear modelos numéricos para ver cómo evoluciona su crecimiento y ver si son capaces de ocasionar fracturas, y determinar los parámetros necesarios para caracterizarlos”, comenta Marco Fontelos, investigador del Instituto de Ciencias Matemáticas (ICMAT) y coordinador académico del Problema 1. “Y lo cumplimos, ahora queda todavía mucho por hacer: validar los modelos, mejorarlos e integrarlos”, resalta. En su opinión, Repsol, que fue la que propuso este reto, podrá conocer mejor sus dispositivos y tomar decisiones sin tener que acudir a costosos ensayos experimentales.
En el problema 2 se presentó una simulación numérica para automoción. Para mejorar el rendimiento de un horno en el que se realiza soldadura fuerte (brazing) de piezas de automoción, el equipo liderado por Elena Martín, profesora Titular en la Universidad de Vigo, investigadora adscrita a ITMATI y coordinadora académica del Problema 2, se preguntó qué posibles modelizaciones podrían intentar reproducir lo que pasa dentro de él y así hacer una virtualización del mismo. “Se trata de un tema complejo, que requiere más tiempo pero sí hemos tenido tiempo de definir, mediante simulación numérica y modelos zonales, los pasos, las premisas, los datos iniciales y las pruebas experimentales necesarias para hacer un desarrollo futuro”, cuenta Martín.
Machine learning para acelerar cálculos complejos
El denominado machine learning para acelerar cálculos complejos centraba el tercer problema. El objetivo de este reto planteado por Repsol implicaba optimizar técnicas de machine learning para solucionar ecuaciones complejas que modelan comportamientos caóticos, que requieren mucho tiempo de computación. “En éstas jornadas de trabajo hemos descubierto que las técnicas de machine learning se pueden utilizar para conseguir resultados mucho más rápido pero es necesario, antes, mucho trabajo de calibrado”, explica Andrés Gómez, Responsable de Aplicaciones y Proyectos en el CESGA y coordinador académico del Problema . En su opinión, “es una vía muy interesante para explorar porque permite resolver muchos problemas operativos de las empresas”.
El cuarto problema se resolvió con modelos predictivos para evitar paradas no planificadas. Prever cuándo conviene sustituir una pieza de un engranaje antes de que falle resulta más barato y menos traumático que una vez que se ha roto y es necesario detener el proceso hasta que se repare. Este es el objetivo del mantenimiento predictivo y una prioridad para la empresa de fabricación de pellet, Biomasa Forestal, que ha apostado por convertirse en una industria 4.0 digitalizando y modelizando sus procesos para mejorar la eficiencia.
“Hemos conseguido analizar los datos que tiene disponible la empresa sobre sus procesos en busca de patrones que identifiquen cuándo están bajo control y cuándo podrían estar en riesgo de que falle algo”, cuenta Manuel Febrero, catedrático de Estadística e Investigación Operativa de la Universidad de Santiago de Compostela y coordinador académico del problema 4.
El el último problema, el quinto, se trabajó de lo micro a lo macro para simplificar sistemas. Las tazas de cerámica de los altos hornos con los que la empresa ArcelorMittal trabaja son la suma de piezas de distinta composición y forma: una variedad de ladrillos refractarios y la argamasa que los une. “La ley de comportamiento a nivel microscópico de estos materiales, en las diferentes situaciones a las que se someten, es algo incalculable con la actual tecnología”, explica Peregrina Quintela, coordinadora, junto con Patricia Barral, del problema 5 además de Catedrática de Matemática Aplicada en la Universidad de Santiago de Compostela y Directora de ITMATI.
“El objetivo de nuestro trabajo fue encontrar una adaptación de la ley de comportamiento microscópico a una expresión que reflejase el comportamiento macroscópico, que diese lugar a un cálculo accesible”. Como en el estudio del cuerpo humano, inabordable si tuviéramos que estudiar el comportamiento de cada célula a nivel atómico, acabamos por hacer una ponderación del conjunto de células y finalmente observamos el funcionamiento de los órganos a nivel estructural y no como un conjunto de átomos.
Los ESGI se celebran desde 1968
Los ESGI son eventos itinerantes que se celebran de cinco a siete veces al año en distintas ciudades europeas –como Oporto, Varsovia, Sofía, Utrecht, Manchester y Dublín– con una duración de una semana. En España, se han celebrado anteriormente en Sevilla, Barcelona y Santiago de Compostela, ciudad que acoge ahora por cuarta vez el evento. En todos los casos, para celebrarse, necesitan de la autorización del Oxford Centre for Industrial and Applied Mathematics (OCIAM, en sus siglas en inglés), perteneciente al Instituto de Matemáticas de la Universidad de Oxford (Reino Unido), ciudad donde tuvo lugar el primer ESGI en 1968.
El criterio de concesión es la excelencia, no sólo de los grupos de investigación matemática implicados en la búsqueda de soluciones, sino también de las empresas que participan. Para ello, se realiza una convocatoria previa en la que cualquier industria presente sus problemáticas, que en esta ocasión se cerró el 30 de junio de este año.
El 139 ESGI está coorganizado por ITMATI, la Red math-in y la Acción COST MI-NET que también cofinancian el evento, y cuenta además con la cofinanciación del Ministerio de Economía e Industria y Competitividad a través de la Red Estratégica en Matemáticas y de la Red Temática Matemática-Industria, de la Consellería de Cultura, Educación y Ordenación Universitaria de la Xunta de Galicia a través de TMATI y del convenio que esta red tiene con esta Consellería" y del proyecto ROMSOC, financiado dentro del Programa Marco de Investigación e Innovación Horizonte 2020 de la Unión Europea.
Ecuaciones para modelar el crecimiento de tumores, algoritmos para probar futuras máquinas, avanzadas teorías de computación y una fórmula para marcar un gol son algunos de los temas que se han tratado esta semana en la capital andaluza durante el 9º Congreso Europeo de Matemáticas.
La frecuencia con la que los animales voladores, sean aves, insectos o murciélagos, agitan sus alas es proporcional a la raíz cuadrada de su masa corporal dividida por el área alar. Investigadores daneses han dado con esta fórmula, que también se puede aplicar para animales nadadores como las ballenas y los pingüinos.
