Como o aprendizado de máquina pode ajudar os fabricantes a combater as mudanças climáticas

A mudança climática representa uma ameaça considerável para a humanidade e não é apenas um problema que deveria ser deixado para as gerações futuras. Se as emissões de gases de efeito estufa não forem quase totalmente eliminadas até 2050, o mundo enfrentará consequências catastróficas no que diz respeito à temperatura global. Embora muitas indústrias tenham tomado medidas para reduzir suas emissões, ainda há relutância em seguir nessa direção por causa dos custos falsamente presumidos de se buscar soluções mais verdes.

Fabricação, logística e materiais de construção são alguns dos principais produtores de emissões de gases de efeito estufa. De acordo com o Conselho de Defesa de Recursos Naturais, as 15 maiores empresas de alimentos e bebidas dos EUA geram mais gases de efeito estufa a cada ano do que toda a Austrália. No entanto, com a adoção do aprendizado de máquina (ML), a indústria também está bem posicionada para causar um impacto positivo no clima.

O ML tem sido apontado como uma ferramenta poderosa para o progresso tecnológico, mas apesar de ser usado para combater a escassez global de alimentos, tem havido falta de esforço para identificar como ele pode ser usado para outros fins ambientais. O ML nas fábricas, em vários setores, pode contribuir para reduzir as emissões globais ao impulsionar a eficiência energética, simplificar a cadeia de abastecimento e melhorar a qualidade da produção.

Reduzindo o consumo

Um problema comum encontrado nas fábricas é que as máquinas estão operando com uma capacidade muito alta para a produção necessária. Muitas fábricas poderiam ser muito mais eficientes consumindo menos energia de máquinas individuais sem afetar seu desempenho. Se uma máquina precisa de apenas 25% de seu consumo máximo de energia para operar uma linha em uma determinada velocidade, uma variedade de técnicas de ML pode destacar isso correlacionando os dados de energia e produção, permitindo que você otimize suas configurações de energia mesmo se as configurações ideais mudarem com as máquinas envelhecer.

No caso de usinas de energia, o ML pode ser usado com imagens térmicas para determinar quais partes de uma usina estão em níveis de temperatura excessivos e modular a quantidade de energia que aplicam a essa parte da usina. Se as fábricas adotarem um princípio semelhante para o consumo de eletricidade, isso aumentará ainda mais a eficiência. Uma maneira de fazer isso poderia ser simplificar os sistemas de aquecimento, ventilação e ar condicionado de uma fábrica. Embora seja um investimento potencialmente grande, uma fábrica também pode usar o ML para simular a produção e o consumo de energia de suas fábricas sob diferentes fontes de energia, tornando mais fácil redesenhar processos industriais para funcionar com energia de baixo carbono em vez de carvão, petróleo e gás.

Além do consumo de energia, as fábricas também podem usar ML para detectar produtos defeituosos antes que eles sejam produzidos (por exemplo, usando visão computacional para detectar defeitos no produto no início de suas linhas ou usando dados históricos para prever as causas dos erros antes que eles aconteçam), reduzindo significativamente sua sucata. Isso traz uma variedade de benefícios:menos tempo seria necessário para produzir o mesmo rendimento, menos tempo seria desperdiçado com um rendimento ruim e menos emissões seriam produzidas em bens sucateados. Se a sucata de uma fábrica de US $ 100 milhões fosse reduzida em 10%, isso teria o efeito equivalente nas emissões de retirar 2.000 carros das estradas por um ano. Isso destaca o enorme impacto que mudanças aparentemente menores em uma fábrica poderiam ter sobre os níveis de emissão.

Otimização da Cadeia de Suprimentos

Em muitas fábricas, os produtos são produzidos em excesso ou em excesso. Isso desperdiça recursos por meio da produção, mas também leva ao aumento das emissões de pedágio no transporte e armazenamento. O ML pode reduzir isso prevendo a demanda. No exemplo da indústria de alimentos, isso poderia levar à diminuição das perdas pós-colheita, identificando quando um produto pode estar prestes a estragar, usando algoritmos quantitativos para rastrear a vida útil ou até mesmo visão computacional para rastrear como as mudanças na cor significam que os alimentos estão ficando mais perto de estragar. Se a pressão sobre o armazenamento fosse reduzida pela simplificação da rede de abastecimento dessa forma, uma porcentagem maior de produtos poderia ser vendida porque os produtos certos seriam enviados quando houvesse demanda. Teoricamente, o ML também poderia ser usado para ajudar uma fábrica a estabelecer uma rede de fornecedores, com base em categorias como geografia e idade da empresa, para construir algoritmos que ajudem a pensar no processo de tomada de decisão de qual fornecedor escolher.

As técnicas de ML, como a visão computacional, também permitem que as fábricas "classifiquem" e documentem a qualidade de seus produtos. O desempenho dessas classificações de acordo com qualquer padrão amplamente aceito permite que os fornecedores forneçam um nível de certificação para seus produtos, o que dá confiança aos clientes em potencial e amplia os mercados que eles podem alcançar. Por exemplo, devido às pesadas tarifas entre os EUA e a China sobre produtos siderúrgicos, o aço geralmente é enviado por meio de países terceiros, diminuindo a garantia de qualidade final do cliente final. A inspeção e a certificação baseadas em ML, tanto do lado do fornecedor quanto do cliente, tornam mais fácil para os usuários de aço americanos obter aço de mais países.

Processos de Refino

Muitos setores da manufatura sofrem com desperdício de materiais e perda de energia no processo de produção. Por exemplo, na produção de aço, há muitas modificações e transferência de calor durante a conformação, o que leva a uma perda substancial de energia. 1,8 toneladas de CO2 são emitidas em toda a cadeia de abastecimento por tonelada de aço produzida e 9% do gás de efeito estufa global é emitido durante a produção de cimento e aço. Nas fábricas onde o plástico é produzido, há muitos resíduos de materiais que não são reciclados porque o plástico não pode ser reciclado na mesma proporção que os metais.

Esses dois tipos de produção poderiam ver a mudança mais drástica em termos de redução de suas sucatas e desperdícios. Em vez de focar em soluções verdes que muitas startups oferecem a custos adicionais, a redução de sucata e desperdício deve ser o principal incentivo para essas indústrias, o que, por sua vez, leva à economia de energia e à produção mais sustentável. Soluções de sustentabilidade e energia limpa não devem ser vistas como um luxo para as fábricas que podem pagá-las, mas sim um subproduto do aumento da eficiência. As fábricas também podem aumentar seu rendimento sem seguir um caminho de soluções de energia explicitamente limpas - usar menos energia do que o necessário é apenas uma boa prática.

O ML pode ajudar na luta contra as alterações climáticas ao refinar os processos de fabricação, o que leva a uma maior eficiência, menor consumo de energia e redução de emissões. Por sua vez, esses resultados permitirão que as fábricas se sintam confiantes em mudar a ênfase para uma produção mais limpa. Aplicar o ML para enfrentar as mudanças climáticas pode ajudar a descarbonizar o setor manufatureiro, promover algumas das técnicas de ML que ainda estão em sua infância e beneficiar a sociedade como um todo.

Arjun Chandar e Hunter Ashmore são cofundadores da IndustrialML Inc.