Aproveitando Machine Learning para Reduzir Emissões na Manufatura e Combater Mudanças Climáticas

Mudanças climáticas representam uma ameaça considerável à humanidade, e não é apenas um problema que deve ser deixado para 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 se mover nessa direção devido aos custos presumidamente falsos de buscar soluções mais verdes.

Manufatura, logística e materiais de construção estão entre os principais produtores de emissões de gases de efeito estufa. Segundo o Conselho de Defesa de Recursos Naturais, as 15 principais empresas de alimentos e bebidas dos EUA geram mais gases de efeito estufa por ano do que a totalidade da Austrália. No entanto, com a adoção de machine learning (ML), a indústria também está bem posicionada para causar um impacto climático positivo.

ML tem sido aclamado como uma ferramenta poderosa para progresso tecnológico, mas apesar de ser usado para combater a escassez global de alimentos, houve falta de esforço para identificar como pode ser usado para outros propósitos ambientais. ML em fábricas, em vários setores, pode contribuir para reduzir emissões globais impulsionando eficiência energética, simplificando a cadeia de suprimentos e melhorando a qualidade da produção.

Reduzindo Consumo

Um problema comum encontrado em fábricas é que máquinas estão operando em uma capacidade muito alta para a saída necessária. Tantas fábricas poderiam ser muito mais eficientes consumindo menos energia de máquinas individuais sem afetar seu desempenho. Se uma máquina precisa apenas de 25% de sua potência máxima para rodar uma linha em uma velocidade particular, uma variedade de técnicas de ML pode destacar isso correlacionando dados de potência e produção, permitindo otimizar suas configurações de energia mesmo se configurações ideais mudarem conforme as máquinas envelhecem.

No caso de usinas de energia, ML pode ser usado com imagem térmica para determinar quais partes de uma planta estão em níveis de temperatura excessivos e modular quanta potência eles aplicam a essa parte da planta. Se fábricas adotarem um princípio similar para consumo de eletricidade, isso aumentaria ainda mais a eficiência. Uma maneira de fazer isso poderia ser simplificar os sistemas de aquecimento, ventilação e ar condicionado de uma fábrica. Embora fosse um investimento potencialmente grande, uma fábrica também poderia usar ML para simular a saída de produção e consumo de energia de suas fábricas sob diferentes fontes de energia, facilitando o redesenho de processos industriais para rodar em energia de baixo carbono em vez de carvão, petróleo e gás.

Além do consumo de energia, fábricas também podem usar ML para detectar produtos defeituosos antes que sejam produzidos (por exemplo, usando visão computacional para detectar defeitos de produto cedo em suas linhas, ou usando dados históricos para prever causas de erro antes que aconteçam) reduzindo significativamente sua sucata. Isso tem uma variedade de benefícios: menos tempo seria necessário para produzir a mesma vazão, menos tempo seria desperdiçado em vazão ruim, e menos emissões seriam produzidas em bens sucateados. Se a sucata de uma fábrica valendo 100 milhões de dólares fosse reduzida em 10%, teria o efeito equivalente em emissões de tirar 2000 carros da estrada por um ano. Isso destaca o enorme impacto que mudanças aparentemente menores em uma fábrica poderiam ter nos níveis de emissão.

Otimização da Cadeia de Suprimentos

Em muitas fábricas, produtos são superproduzidos ou superestocados. Isso desperdiça recursos através da produção mas também leva a emissões aumentadas pelo custo de envio e armazenagem. ML pode reduzir isso prevendo a demanda. No exemplo da indústria alimentícia, poderia levar a perdas pós-colheita diminuídas identificando quando um produto pode estar prestes a estragar, usando algoritmos quantitativos para rastrear vida útil ou até visão computacional para rastrear como mudanças de cor significam que a comida está ficando mais próxima de estragar. Se a tensão no armazenamento fosse reduzida simplificando a rede de suprimentos dessa forma, então uma porcentagem maior de produtos poderia ser vendida porque os produtos certos seriam enviados quando a demanda estivesse lá. Teoricamente, ML também poderia ser usado para ajudar uma fábrica a configurar uma rede de fornecedores, baseada 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.

Técnicas de ML como visão computacional também permitem que fábricas "classifiquem" e documentem a qualidade de seus produtos. Realizar essas classificações de acordo com qualquer padrão amplamente aceito permite que fornecedores forneçam um nível de certificação a seu produto, o que dá confiança a clientes potenciais e amplia os mercados que podem alcançar. Como exemplo, devido a tarifas pesadas entre EUA e China em bens de aço, o aço frequentemente é enviado através de países terceiros, diminuindo a garantia de qualidade final do cliente final. Inspeção e certificação baseadas em ML, seja do lado do fornecedor ou do cliente, tornam mais fácil para usuários de aço americanos obterem aço de mais países.

Refinando Processos

Muitos setores de manufatura sofrem com materiais desperdiçados e perda de energia no processo de produção. Por exemplo, na produção de aço, há muita modificação e transferência de calor durante a conformação que leva a perda substancial de energia. 1,8 toneladas de CO2 são emitidas através da cadeia de suprimentos por tonelada de aço produzida, e 9% dos gases de efeito estufa globais são emitidos durante a produção de cimento e aço. Em fábricas onde plástico é produzido, há muito desperdício de materiais não sendo reciclados porque plástico não pode ser reciclado na mesma extensão que metais.

Estes dois tipos de produção poderiam ver a mudança mais drástica em termos de redução em sua sucata e desperdício. 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 estas indústrias que por sua vez leva a economia de energia e produção mais sustentável. Sustentabilidade e soluções de energia limpa não devem ser vistas como um luxo para fábricas que podem pagá-las, mas sim um subproduto do aumento de eficiência. Fábricas também podem aumentar seu rendimento sem seguir um caminho de soluções de energia limpa explicitamente — usar menos energia do que o necessário é apenas uma boa prática.

ML pode ajudar na luta contra mudanças climáticas refinando processos de manufatura, o que leva a eficiência melhorada, menos consumo de energia e emissões reduzidas. Por sua vez, esses resultados permitirão que fábricas se sintam confiantes em mudar a ênfase para produção mais limpa. Aplicar ML para enfrentar mudanças climáticas pode ajudar a descarbonizar o setor de manufatura, avançar algumas das técnicas em ML que ainda estão em sua infância, e beneficiar a sociedade como um todo.

Arjun Chandar e Hunter Ashmore são cofundadores da IndustrialML Inc.