Ayesa crea con IA generativa un ‘agente experto’ para guiar la operación de refinerías

Con un potencial productivo de 12 millones de t/año, Petronor es la mayor refinería de España. Ocupa a 945 trabajadores de plantilla y tiene un empleo inducido de 6.200 personas.

Una de las problemáticas que afronta Petronor en el proceso catalítico del refino es que los ingenieros deben consultar constantemente información técnica de fabricantes para ajustar diversos parámetros, que influyen directamente en la calidad del producto final y en la eficiencia del proceso.

Sin embargo, esta consulta resulta rutinaria y tediosa, ya que implica revisar manuales extensos y redactados en un lenguaje muy técnico, con pocas facilidades de búsqueda. Además, parte de la información se presenta en forma de gráficas, un aspecto que aún no ha sido adecuadamente resuelto por los modelos de GenAI.

En la búsqueda de una mayor eficiencia y rentabilidad de sus plantas de producción, la compañía está apostando por integrar modelos de Inteligencia Artificial generativa. Así, se sumó a la iniciativa Hackia de su matriz Repsol, donde equipos internos y partners tecnológicos compiten para lograr soluciones viables a casos reales de negocio.

Dentro de este programa Ayesa apostó por desarrollar junto a Petronor el proyecto Gidabot, basado en un “Agente Experto” que apoya el proceso catalítico de la refinería, proporcionando un soporte rápido y ágil para la consulta de documentación técnica por parte de los ingenieros químicos.

Este asistente virtual utiliza interacciones simples en lenguaje natural mediante una solución que combina IA Generativa con modelos de Computer Vision para resolver el problema de las gráficas.

Además, se ha enriquecido con modelos predictivos tradicionales de Machine Learning para ofrecer información adicional basada en la identificación de patrones en los datos históricos de la refinería, proporcionando así información valiosa sobre cómo variables externas al modelo teórico de la refinería implican la aplicación de ajustes diferenciales.

En el ámbito de la Inteligencia Artificial se ha observado que los modelos de IA Generativa pueden presentar ciertas deficiencias en su comportamiento y en la precisión de sus respuestas. Éstas surgen debido a la naturaleza inherente de estos modelos, que a menudo generan resultados que pueden ser incoherentes o poco realistas. Sin embargo, en este proyecto se ha demostrado que la combinación de modelos de IA, junto con una cuidadosa orquestación de la respuesta, puede conducir a resultados más sólidos y confiables.

Además, el aprendizaje automático tradicional permite a la herramienta analizar grandes volúmenes de datos y aprender patrones complejos.

Junto a ello, las técnicas de reconocimiento óptico de caracteres (OCR) y visión por computadora facilitan la extracción de información relevante de los manuales técnicos de la planta, enriqueciendo aún más el conjunto de datos y mejorando la precisión de las predicciones.

La capacidad de predecir con precisión las condiciones de operación del cracking catalítico permite además transformar por completo la forma en que se gestionan las plantas industriales, optimizando la producción y reduciendo los costos operativos.

La implementación de esta herramienta representa un hito significativo en el camino hacia la digitalización completa de la industria. Al aprovechar el poder de la inteligencia artificial generativa, las empresas pueden tomar decisiones más informadas, optimizar procesos y maximizar la eficiencia operativa, por lo que esta innovación podría impulsar aún más el crecimiento y la competitividad en el sector industrial.