Empresas alemanas ven gran potencial de hidrógeno verde en el sector minero chileno

No solamente en Alemania se ve los beneficios del hidrógeno verde como importante para el futuro, sino el tema también atrae más y más la atención en Chile.

En el marco de una delegación alemana virtual de empresas del rubro de hidrógeno en marzo 2020, organizada por CAMCHAL, se analizaron los beneficios tanto económicos como industriales que presenta el hidrógeno verde, y también se aprovechó la ocasión para realizar importantes anuncios del sector público como privado para fortalecer el estudio y las aplicaciones con este vector energético, beneficiando a ambos países. Por parte del sector privado, la empresa Siemens anunció la decisión de la empresa alemana de instalar su nuevo HUB de energía de Latinoamérica en Chile, específicamente en la ciudad de Santiago.

Durante el “Foro Chileno-Alemán: Tecnologías para la Economía de Hidrógeno” de CAMCHAL, el Ministro de Energía, Juan Carlos Jobet valoró la instancia, considerando el potencial que tiene Chile para la producción y por ende también la exportación de hidrógeno verde.

“Como ustedes saben, el hidrógeno se produce hace muchos años a través de la electrólisis, pero la oportunidad de hacerlo con energías renovables hace que podamos ir gradualmente girando a procesos de producción que no generen emisiones de CO2”, sostuvo.

HÍDROGENO VERDE EN LA MINERÍA

Después de juntarse con empresas chilenas de varios rubros, los representantes de las empresas alemanas destacaron el potencial que tiene el hidrógeno verde en Chile, especialmente para el sector minero. José Romero, Business Development Manager de la empresa Reicat, que ofrece soluciones para la purificación de gases, considera que:

“Chile dispone de la flota más numerosa de camiones mineros del mundo por lo cual el potencial es enorme, aunque también los desafíos inherentes. Por otra parte, más allá de la propia flota de camiones mineros el hidrógeno verde puede ser una solución para muchas otras áreas de la actividad minera”.

Sin embargo, todavía existen brechas para la aplicación de hidrógeno verde en la minería en Chile. Thomas Schulthess, líder del área Business Development de la empresa alemana Sowitec, un desarrollador de proyectos para plantas de producción de hidrógeno verde, ve como brecha principal para el uso de hidrógeno el almacenamiento rentable y los costos de las celdas de combustible.

Como representante de la minería chilena, Vicente Olguin, ingeniero de Innovación Tecnológica en la Minera Los Pelambres subrayó que también se debe superar barreras respecto a seguridad y normativa:

“Creo que hay que superar la barrera del riesgo asociado a la alta inversión que requieren los proyectos de producción de hidrogeno verde y los equipos para su uso.”

Thomas Schulthess también destaca otro potencial para la producción de hidrógeno verde cerca de sitios mineros:

“Aparte del hidrogeno para los camiones se puede aprovechar el oxígeno que se produce durante el proceso de electrólisis por el doble del hidrógeno mismo. Este oxígeno se podría utilizar en la fundición de cobre, por ejemplo.”

Lo anterior muestra que hay mutuo interés para una cooperación binacional que puede ofrecer un gran campo de sinergias para superar brechas en la temática. Alemania dispone de un gran know-how en áreas relevantes de producción y procesamiento del hidrógeno verde. Por el otro lado, Chile posee condiciones privilegiadas para el hidrógeno, tanto respecto su producción, exportación y el uso local.

Predicción del aumento del consumo específico en Molinos SAG

DESAFIO

Dentro del proceso de conminución de minerales de Cobre, la molienda SAG ha destacado como un proceso relevante que permite de una manera eficiente acortar las etapas de chancado y molienda en comparación a la molienda convencional. A la vez, los molinos SAG son unos de los equipos de mayor consumo de energía eléctrica del proceso minero, por lo que resulta indispensable que su operación sea eficiente desde el punto de vista energético. La operación eficiente de un molino SAG depende del adecuado conocimiento y manejo de las variables de control, como lo son, por ejemplo: el flujo y densidad de alimentación, la granulometría y dureza del material, la carga de bolas y la velocidad de giro, etc.

Estas variables inciden sobre la producción y la potencia de operación del molino, lo que determina directamente el consumo específico de energía (CE) del equipo, un indicador de su eficiencia de operación. La gran cantidad de variables que inciden en el CE de un molino resulta en una gran dificultad para determinar si la tendencia de una variable específica podría o no influir en el aumento del CE sobre un límite que se considere apropiado. Si el CE se calcula en tiempo real, sólo es posible reaccionar a un aumento critico de su valor cuando la condición ineficiente de operación ya ha sucedido, perdiéndose tiempo y energía en la normalización a una condición de mejor desempeño.

SOLUCIÓN PROPUESTA

Con el objetivo de evitar eventos donde el consumo específico de energía del molino SAG sobrepase un límite o meta establecida, es necesario desarrollar un sistema predictivo capaz de anticipar el comportamiento del CE dadas las condiciones de operación del molino. Esto requiere modelar correctamente la compleja interacción entre cada una de las variables de operación y su efecto en el CE, tarea para lo cual resulta apropiado considerar el enfoque de modelación utilizando técnicas de Machine Learning (Aprendizaje Automático de Máquinas).

Las técnicas de Machine Learning obtienen cada vez mejores resultados en la modelación de procesos industriales. La abstracción que permiten hacer estas técnicas favorece la modelación de procesos complejos, de difícil análisis por métodos clásicos o donde no existen modelos teóricos o analíticos que permitan explicar adecuadamente el comportamiento de un fenómeno de dicho proceso, tal como es el caso de la modelación del consumo específico de energía del molino SAG.

JHG es una empresa con más de 35 años de experiencia especializada en el diagnóstico y optimización de procesos termo- energéticos, apoyando a sus clientes en la optimización del negocio y el cumplimiento de las exigencias normativas que aplican a la Minería e Industria Chilena.

Es en este contexto que JHG, en su búsqueda de contribuir al desarrollo de una minería sustentable a través de la optimización energética de los procesos mineros, complementada con herramientas innovadoras que permitan incrementar la productividad; ha desarrollado una herramienta para gestionar una operación energéticamente eficiente en molinos SAG mediante el uso de técnicas de Machine Learning.

CASO DE ESTUDIO

Utilizando técnicas de Machine Learning, JHG ha desarrollado un modelo matemático capaz de predecir con minutos de anticipación los eventos de incremento del consumo específico de energía de un Molino SAG. Este modelo genera alertas de forma anticipada a que el fenómeno ocurra, lo que permite a los operadores tomar acciones o ajustar los sistemas de control para evitar el incremento de consumo de energía.

Como caso de estudio, se generó un modelo de predicción del CE con los datos reales de operación de un molino SAG de 7 MWe. En total, se contó con 32 días de datos de operación del molino con resolución de un minuto, de los cuales los primeros 25 días fueron utilizados para entrenar el modelo y 7 días fueron reservados como datos de validación. Los datos de validación nunca son ingresados en la modelación, por lo que permiten evaluar la real capacidad del modelo de capturar el fenómeno deseado y no de aprenderse los datos, es decir, no caer en “overfitting”.

Las métricas de desempeño utilizadas en este caso corresponden a:

  • Recall: Número de eventos bien predichos sobre el total de eventos reales.
  • Precisión: Número de eventos bien predichos sobre el total de predicciones realizadas.

RESULTADOS

En los datos de los 7 días de validación, el molino presentó 29 eventos reales de consumo específico alto. En este escenario, el algoritmo fue capaz de detectar correctamente 24 eventos, lo que le otorga un 83% de Recall. Por otro lado, el modelo levantó en total 33 alertas, siendo solamente 9 de ellas erróneas, esto le otorga una Precisión de 73%. El modelo predice correctamente los eventos de consumo específico alto con un promedio de 5 minutos de anticipación (con rango entre 2 y 15 minutos). En la siguiente figura es posible observar un extracto de las predicciones hechas por el modelo en comparación a los datos reales de consumo específico alto del molino.

Los eventos de consumo específico correctamente predichos pueden ser evitados por el operador, por lo que es posible determinar el ahorro potencial que puede generar la implementación de esta herramienta. Los resultados de los 7 días de validación y su proyección anual se pueden observar en la siguiente tabla.

7 días de validación Proyección Anual
Energía consumida por el Molino [MWh] 989 51.443
Energía eventos de CE alto [MWh] (1) 16,1 (1,63%) 837,2
Energía eventos predichos [MWh] (2) 15,7 (1,59%) 816,4
Ahorro por eventos predichos [USD] 1.256 65.312 (3)

(1) Energía perdida acumulada en todos los eventos de Consumo Específico Alto que sufre el Molino.

(2) Energía ahorrada acumulada al evitar los eventos de Consumo Específico Alto correctamente predichos.

(3) Estimación del ahorro anual al evitar los eventos de Consumo Específico Alto. Se considera un precio monómico de electricidad de 80 [USD/MWh].

CONCLUSIÓN

Los resultados del modelo evaluados en datos reales de producción de un Molino SAG alcanzan una predicción correcta del 83% de los fenómenos de consumo específico alto. El uso de esta herramienta en producción habría permitido detectar de forma anticipada esos eventos de consumo específico alto, que al evitarlos habría significado un ahorro anual proyectado de un 2% de energía eléctrica, equivalentes a más de 65 mil dólares.

Las herramientas de Machine Learning utilizadas por JHG pueden ser aplicadas a cualquier otro proceso del que se dispongan la suficiente cantidad de datos y no sólo al ámbito energético, sino también con cualquier otro enfoque. Por ejemplo, la predicción de comportamientos anómalos o fallas, la simulación de la respuesta de un proceso complejo ante variaciones en sus entradas y el entrenamiento de personal utilizando procesos simulados.

*Los artículos firmados por empresas son de su exclusiva responsabilidad y no reflejan necesariamente la postura de CAMCHAL.

 

Análisis Espectral de Eficiencia en Calderas Industriales

GASCO es una compañía fundada en 1856 y en su larga historia ha sido actor relevante de muchos cambios en la industria de la energía en Chile. Desde la lejana época del alumbrado público a gas, hasta la introducción del Gas Natural y Gas Licuado. Actualmente participa activamente en la industria chilena liderando el diseño e implementación de soluciones energéticas integrales, eficientes, seguras, limpias y rentables. Siendo un actor relevante en la transformación de la matriz de energía en Chile. Lo anterior se basa también en la permanente búsqueda y adaptación de tecnología para hacer los procesos industriales más óptimos y sostenibles para nuestros clientes. Su análisis espectral de eficiencia en calderas industriales es uno de muchos ejemplos, como la empresa aporta a una minería más sustentable y eficaz.

ANÁLISIS ESPECTRAL DE EFICIENCIA EN CALDERAS INDUSTRIALES

Sin duda un elemento clave en la gestión de energía de salas térmicas, tiene que ver con el manejo de la eficiencia en calderas y usualmente el termino apunta, a llevar a cabo mediciones relativamente sencillas en un determinado periodo de tiempo de la cantidad de agua que ingresa a la caldera
(q agua  ) la temperatura que esta tiene ( T° agua) y por otro lado medir el consumo de combustible del quemador de la caldera.(Q combustible  ). El cual convierte finalmente el agua en vapor.

Con estas mediciones, sumados a la entalpia del agua (h entalpia) y el poder calorífico (PCi combustible) entonces se procede a efectuar un cálculo como el siguiente.:

Desafortunadamente es habitual también, que este consumo de agua se suponga similar al que produce la caldera en términos de vapor saturado, dejando de lado, por ejemplo, las purgas de la caldera y otras perdidas. Esto por el costo que tiene medir directamente el vapor a la salida del equipo.

Lo anterior produce un conjunto de datos que finalmente estiman una especie de “foto” de la eficiencia de la caldera, que oscila normalmente en torno al 85% y en calderas muy buenas sobre el 90%. Todo esto resulta muy habitual para las personas que deben administrar estas plantas. Existe por otro lado la necesidad de determinar cómo se relaciona esta eficiencia con las variables que hacen que esta cifra no sea una constante durante largos periodos de producción. Lo que se obtiene finalmente es un perfil o curva de la eficiencia de la caldera el cual podría ser por ejemplo algo de este tipo.

Esto finalmente constituye un conjunto de datos en el dominio del tiempo y es posible decir que alguna función desconocida gobierna la forma de esta curva. La cual podría ser comparada en distintos periodos y obtener por ejemplo una serie de estadísticas muy útiles de la eficiencia o quizás el ordenamiento en percentiles y determinar por intervalos cuantas veces se produce un determinado nivel de eficiencia.

SERIES DE FOURIER.

Pero en el fondo parece ser, que existe una eficiencia base, que, si todas las variables de operación se sincronizan correctamente de alguna manera bien determinada, entonces la eficiencia toma un valor fundamental y el resto parece ser solo la suma de pequeñas alteraciones o simplemente “ruido”.

Una herramienta que probablemente pueda ayudar a estimar esto, corresponde a “Transformar” nuestra función en un dominio distinto, por ejemplo, el dominio de la frecuencia.

Si hacemos uso del concepto elaborado por el matemático francés Jean-Baptiste Fourier, en donde toda función puede ser construida de una manera conveniente a partir de una suma infinita de funciones trigonométricas.  Podremos reconfigurar la misma función de eficiencia, pero en el conveniente dominio de sus frecuencias.

Lo anterior es posiblemente una forma más útil de entender un perfil de eficiencias, puesto que se encuentra esta frecuencia fundamental, que, desde un punto de vista mecánico, es el valor base de eficiencia sumado a un conjunto de otros armónicos, que en su sumatoria describen el desempeño energético de una caldera.

De hecho, este perfil de frecuencias obtenido de un periodo de tiempo, puede ser comparado con otro perfil de otro periodo y entender si nuevos armónicos se han sumado a la función de eficiencia y cuales podrían ser específicamente estos, si existe una sensorización adecuada de todas las variables que intervienen en la operación de producción de vapor.

A lo anterior se suma otro elemento interesante y es que en el objetivo de determinar que variables de operación producen un efecto sobre la eficiencia, es preciso entender que frecuencia tiene y en qué tiempo se produce. Desafortunadamente obtener ambas cosas en simultáneo no es posible, pues una señal de alta frecuencia requiere de un corto tiempo de lectura, pero por otro lado una señal de baja frecuencia necesita un mayor tiempo de lectura.

Son estos temas los que nos apasionan en Gasco, siempre buscando la forma de dar un paso hacia adelante en el logro de eficiencias, haciendo que un conjunto complejo y abundante de datos pueda generar información simple y útil para que la gestión de la energía sea algo más fácil y productivo.

*Los artículos firmados por empresas son de su exclusiva responsabilidad y no reflejan necesariamente la postura de CAMCHAL.