Propuesta de Implantación de Inteligencia Artificual sostenible para la obtención de un modelo predictivo de consumo de GNL y su aplicación para optimización de procesos y reducción de su huella aosciada
Tiene como objetivo la implantación de Machine Learning y Redes Neuronales, apoyados en algoritmos de predicción y evolución de consumos para satisfacer la necesidad de las empresas gasistas de disponer de una predicción de consumos de alta precisión y adaptabilidad. De este modo, se genera un sistema de inteligencia artificial que permita la integración de los datos de cálculo de consumo y la programación de las rutas de suministro de manera dinámica y actualizada en tiempo real.
Bases del proyecto
Consorcio
Tiene como objetivo la implantación de Machine Learning y Redes Neuronales, apoyados en algoritmos de predicción y evolución de consumos para satisfacer la necesidad de las empresas gasistas de disponer de una predicción de consumos de alta precisión y adaptabilidad. De este modo, se genera un sistema de inteligencia artificial que permita la integración de los datos de cálculo de consumo y la programación de las rutas de suministro de manera dinámica y actualizada en tiempo real.
Punto de partida
PRISMA cuenta con un presupuesto total de 402.055 € y una ayuda de 306.971 €, estando subvencionado por el Ministerio de Industria, Energía y Turismo y financiado por la Unión Europea a través del programa Next Generation EU, dentro de la convocatoria correspondiente a 2022 de las ayudas establecidas para el apoyo a Agrupaciones Empresariales Innovadoras (AEI), correspondientes en el marco del Plan de Recuperación, Transformación y Resiliencia.
El proyecto PRISMA se estructura principalmente en dos fases:
Primera fase
Recolección de datos
Una primera fase de recolección de datos mediante dispositivos loT colocados en depósitos de GNL (Gas Natural Licuado), datos históricos de consumo, ambientales y macroeconómicos. Con esta información se crearán modelos de datos que alimentarán un sistema de Inteligencia Artificial que realizará el procesado de estos con procesos de Machine Learning, redes neuronales y algoritmos de cálculo de rutas.
Segunda fase
Análisis de datos y generación de conclusiones
El procesado que se realizará en la fase previa generará predicciones de consumos asociadas al diseño de rutas de suministro extremadamente precisas y de cuya utilización se obtendrán una serie de resultados como:
- Optimización de los recursos industriales de la empresa
- Reducción del número de operaciones de carga y descarga
- Reducción de la huella de carbono asociada al proceso de suministro y reparto, gracias a la reducción de frecuencia y kilometraje de las rutas
- Mayor satisfacción de los clientes al percibir la idoneidad de las frecuencias de suministro