El aprendizaje profundo puede optimizar la logística de los flujos de residuos

Por Dra. Beatriz Royo, Profesora Asociada en ZLC.

Read English version

La necesidad de reutilizar, recuperar, reciclar o disponer de forma responsable todo tipo de residuos ha pasado de ser una aspiración a una necesidad imperante en las últimas décadas. Sin embargo, alcanzar este objetivo sigue siendo un gran desafío.

Ese ha sido el enfoque de OPTIWASTE, un proyecto financiado por el Ministerio de Industria, Comercio y Turismo de España, que ZLC y nuestros socios han completado recientemente. El proyecto se centra específicamente en tres objetivos: sostenibilidad ambiental, en términos de minimizar la emisión de CO2 por kg de residuos gestionados y otros contaminantes; sostenibilidad económica, reduciendo los costes de transporte y eliminación final, y por lo tanto minimizando el impacto en el coste de nuevos productos; y la 'circularidad' aumentada, mejorando la capacidad de reciclaje de los residuos y su reintegración en la cadena de suministro (que puede ser en cualquier nivel, desde la reacondicionamiento de artículos completos hasta la recuperación y reutilización de materias primas), optimizando el ciclo de logística y custodia para que haya la menor degradación posible de artículos y materiales.

El proyecto se centró en uno de los flujos de residuos más difíciles: los Residuos de Aparatos Eléctricos y Electrónicos (RAEE). Optimizar este flujo de residuos en particular es importante por varias razones, más allá de la necesidad de manejar volúmenes grandes y en rápido crecimiento. Por un lado, los RAEE a menudo contienen elementos como el oro, el cobre y tierras raras que son valiosos en sí mismos y cuya extracción primaria a menudo es ambientalmente perjudicial y explotadora.

Mientras tanto, el almacenamiento y la eliminación no controlada de los RAEE generan muchos riesgos significativos: riesgos de combustión por baterías dañadas que contienen (los Residuos de Pilas y Acumuladores tienen un flujo de gestión diferenciada), contaminación de aguas subterráneas por la filtración de metales pesados y otros compuestos, la creación de micro plásticos, por nombrar solo tres.

El problema ha sido reconocido durante mucho tiempo: la Directiva de la UE sobre los RAEE se convirtió en ley hace unos veinte años. La Directiva y la legislación asociada establecieron requisitos obligatorios para la recuperación (en kg por habitante) y para el contenido de productos reciclados en nuevos productos, y para rutas gratuitas para que los consumidores devuelvan los RAEE. Sin embargo, la logística inversa requerida para alcanzar estos objetivos está lejos de ser simple. Los RAEE pueden surgir en cualquier lugar, a veces con grandes fabricantes, usuarios o minoristas que generan residuos o recuperan productos usados. La mayoría de los RAEE (de hogares individuales u otros lugares) terminan en distribuidores que recuperan productos en nombre de los fabricantes, en puntos de recolección/concentración gestionados por las autoridades locales en un intento de desviar los RAEE del flujo general de residuos, o en una variedad de pequeñas tiendas y otros negocios.

Por lo general, cuando se acumula suficiente residuo, la empresa de gestión de residuos lo recoge, lo transporta a una planta de gestión de residuos y lo separa en productos que pueden tener una vida útil extendida, flujos que ofrecen oportunidades de recuperación de materiales y un residuo (posiblemente peligroso) que debe almacenarse a la espera de una eliminación segura y responsable. La naturaleza, el volumen y la frecuencia de envíos desde un punto en particular parecen ser bastante impredecibles, desafiando así los intentos de optimización de la logística y el transporte.

Sin embargo, ZLC y nuestros socios del proyecto OPTIWASTE - Predictland y Pronet-ISE - tienen acceso a una base de datos de datos de transacciones y recopilación en la Península Ibérica, las Baleares y Canarias que se remonta a 17 años y más. ¿Podemos utilizar técnicas de datos modernos para permitir a los gestores de residuos optimizar la calidad del servicio reduciendo el retraso entre el pedido de un cliente para una recogida y su realización, y el tiempo requerido para tratar los residuos en la planta de recuperación, optimizar los costes y emisiones del elemento de transporte y aumentar la proporción de material que se puede reintroducir en el ciclo de producción?

Predictland pudo anticipar cuándo tendrían lugar los pedidos para recoger los RAEE utilizando técnicas de big data e inteligencia artificial. En el caso de ZLC, analizamos estos datos para tratar de determinar la mejor ubicación para una planta de tratamiento de residuos y la cantidad de contenedores que serían necesarios en la red de transporte para atender esto. Examinamos los datos de la red logística del año anterior y encontramos que, si bien algunas regiones son autosuficientes, en el sentido de que los residuos generados en la región también se tratan allí, en 10 de las 19 regiones hubo un desequilibrio entre la capacidad de generación y tratamiento. Nos centramos en estas áreas como posibles ubicaciones para la nueva planta.

El siguiente paso fue diseñar y aplicar un análisis de decisión multicriterio. Eso no es del todo sencillo: ¿qué queremos decir con 'ubicación óptima'? Sometimos a un grupo de expertos, con perfiles variados, pero de gran experiencia, a un proceso iterativo, no solo definiendo los criterios, sino decidiendo los pesos relativos que se les asignarían. Se incluyeron una serie de consideraciones sociales, económicas, ambientales, legislativas y otras en la mezcla.

En realidad, encontrar valores para cada criterio requería una mezcla de cantidades de la base de datos, datos de terceros y una entrada más subjetiva de los expertos.

Este aprendizaje se ejecutó a través de un algoritmo y un análisis de sensibilidad (y, como suele suceder, Aragón fue considerada la mejor ubicación, seguida de Castilla y León).

Luego, fue bastante sencillo estimar la cantidad de diferentes tipos de contenedores necesarios para la nueva situación propuesta.

Hemos demostrado de manera efectiva cómo los datos constituyen la base de una toma de decisiones bien informada para elecciones estratégicas como la ubicación de una nueva planta. Además, mediante la utilización del análisis de datos de vanguardia y capacidades de inteligencia artificial, el consorcio pudo mitigar la naturaleza impredecible de los pedidos de los RAEE. Los hallazgos resaltarán el potencial de ahorro de costes, la mejora de la calidad del servicio y el aumento de la "circularidad" de los productos a lo largo de sus ciclos de vida, todo ello mientras se reducen las externalidades logísticas desfavorables, en particular las emisiones de gases de efecto invernadero.

Para más información, contactar con Dra. Beatriz Royo en [email protected]