Por Dr. Yasel Costa, Profesor de ZLC.
Labrar cultivos únicamente para convertirlos en biocombustibles en lugar de alimentos no parece una ganancia ambiental obvia. La conversión de desechos y residuos derivados de los cultivos, por otro lado, parece muy deseable. Pero optimizar una cadena de suministro para estos desechos, de modo que funcionen en términos ambientales, económicos y sociales, no es sencillo, como descubrí trabajando con mis colegas Marcela María Morales Chávez y Willian Sarache en Colombia.
Los flujos que hemos estado modelando surgen de las plantaciones de café, pero los problemas que hemos estado analizando son genéricos para muchos flujos de conversión de residuos reales y potenciales. En pocas palabras hay una gran cantidad de variables, y crear un método exacto para la optimización, dentro de una escala de tiempo factible, es casi imposible (técnicamente, inextricable).
Los residuos agrícolas involucrados se generan, normalmente, en el momento de la cosecha (con algunos cultivos puede haber otros generadores, por ejemplo, si el cultivo tiene un ciclo de poda o aclareo). El momento en el que esto ocurre es incierto: depende de las variaciones climáticas a lo largo de la temporada de crecimiento y, en algunos casos, si las condiciones del suelo pueden soportar la cosecha; para el café, la altitud es un factor. El rendimiento (del cultivo y de los desechos) también puede variar según las condiciones de crecimiento de la temporada. Pero para la producción rentable de biocombustibles, los convertidores, refinadores/mezcladores y su distribución minorista posterior requieren un flujo equilibrado y constante de materia prima durante la «campaña». Por supuesto, una refinería puede estar procesando otros desechos de otros cultivos en diferentes épocas del año.
Por lo tanto, debemos planificar un flujo constante de material a la refinería para garantizar que esta última funcione cerca de la producción más eficiente durante el mayor tiempo posible. Pero no podemos simplemente acumular material, eso tiene sus propios costes y los desechos pueden deteriorarse.
Tampoco estamos viendo un solo flujo. Por lo general, uno buscaría recolectar y procesar con antelación los desechos, por ejemplo, secando y compactando para que el transporte sea más eficiente. Idealmente, estará cerca de la granja o plantación, pero «cerca» es un término flexible y puede implicar el transporte de desechos sin procesar muchos kilómetros, tal vez a través de terrenos difíciles. Los modos de transporte y los vehículos que transportan desde la finca hasta el preprocesador, y desde este último hasta la refinería, pueden variar; puede que no sea posible, por ejemplo, usar camiones grandes en áreas montañosas (la calidad del café se degrada si las temperaturas son demasiado cálidas, por lo que las mejores plantaciones, al menos en América del Sur, suelen estar a varios miles de metros sobre el nivel del mar).
Nos planteamos el reto de crear un modelo de cadenas de suministro de biocombustibles a partir de residuos agrícolas. Esto tendría tres objetivos interrelacionados: optimizar las ubicaciones y el número de centros de recolección/preprocesamiento y biorrefinerías; asegurar el flujo de material adecuado para satisfacer la demanda en cada etapa, y abordar la planificación de rutas para una flota de vehículos inevitablemente heterogénea. Este problema de ubicación/inventario/enrutamiento o LIRP es bien reconocido y generalizado.
Lo que nos quedó claro es que hay una complicación adicional. Todos los modelos tienen que hacer suposiciones simplificadoras, y la mayoría de los modelos convencionales de LIRP asumen que las diversas instalaciones de procesamiento son fijas, en su capacidad física, sus ubicaciones y las escalas de tiempo en las que están operativas. Ninguno de esos supuestos es necesariamente cierto u óptimo – cualquier flujo de desechos dado normalmente aumenta, alcanza su punto máximo y disminuye durante un período de semanas o meses, por lo que no hay una razón obvia por la cual una instalación en particular dentro de una red deba estar operando al comienzo de la campaña o no deba reducir o aumentar su capacidad durante la temporada – una estrategia de instalación dinámica. Aunque no consideramos específicamente este caso, es posible que las instalaciones de preprocesamiento, en particular, sean móviles y se trasladen de una finca a otra a medida que la cosecha se desarrolla en diferentes altitudes o climas. Es posible que analicemos este aspecto en trabajos futuros.
Por lo tanto, hay muchas variables, muchas de las cuales cuentan como «estocásticas», en el sentido matemático de que, aunque no son estrictamente aleatorias, pueden modelarse válidamente como si lo fueran. Entonces, el enfoque clásico es a través de la programación no lineal de enteros mixtos.
Pero hay un problema; tal enfoque, para un problema de esta escala, requiere una gran cantidad de poder de cómputo y, quizás lo más importante, tiempo. Realmente no hay ningún beneficio en derivar una solución matemáticamente óptima para la cosecha del año anterior. Necesitamos una aproximación cercana a la situación de este año. Por lo tanto, hemos desarrollado una estrategia para convertir nuestro modelo original en una formulación de programación lineal, con la capacidad de ser eficiente en tiempo de ejecución y altamente competitivo, en términos de calidad de la solución, con enfoques de «método exacto».
El modelo es necesariamente complejo, pero este es un negocio complejo. Creemos haber capturado lo esencial: tenemos las cuatro etapas de producción (granjas, centros de acopio, biorrefinerías, instalaciones de mezcla); múltiples tipos de desechos agrícolas (de cultivos alternativos, o porque los desechos pueden generarse tanto en la cosecha como por separado si el cultivo tiene una etapa de poda o aclareo); múltiples periodos de tiempo. Los proveedores (granjas) no están vinculados a una estación de recolección específica, ni a una refinería específica, durante la campaña. Las decisiones de inventario reflejan los requisitos de materias primas de las refinerías, obviamente, pero también la perecebilidad o degradación de los desechos en espera de procesamiento y la capacidad de almacenamiento de los centros de acopio (costes de almacenamiento). El modelo también reconoce el valor del dinero en el tiempo y el hecho de que aumentar la capacidad en las estaciones de recolección o biorrefinerías puede no producir economías de escala; de hecho, los costes fijos y variables de procesamiento pueden aumentar. Esa es una de las principales razones por las que este problema esencialmente no lineal debe ser «linealizado».
Para los inclinados a las matemáticas, nuestro modelo de optimización es lo que se llama ‘NP-hard’, por lo que utilizamos un enfoque heurístico de dos fases. Diseñamos un conjunto de 15 problemas o escenarios a pequeña, mediana y gran escala. En la primera fase, definimos la estructura de la red en función de la apertura, la capacidad variable y el cierre de instalaciones de recolección/preprocesamiento y biorrefinerías. Luego optimizamos aún más las variables relacionadas con el flujo de materiales, la biomasa como entrada y el biocombustible como salida. Eso incluye gestionar los niveles de inventario en las estaciones de recolección/preprocesamiento y optimizar las rutas de los vehículos para la recolección de desechos de las granjas/plantaciones, entre las estaciones de recolección y las biorrefinerías, y de éstas a las estaciones de mezcla (porque los biocombustibles rara vez se usan “puros”).
Luego podemos comparar nuestros resultados con soluciones ‘exactas’ para los escenarios particulares para ver qué tan cerca estamos del óptimo ‘verdadero’, teniendo en cuenta que la vida real y la temporada de cosecha son demasiado cortas para calcular soluciones exactas para cada posible combinación de valores variables, especialmente porque estamos tratando de optimizar a través de factores ambientales y sociales, así como puramente económicos: emisiones de carbono, empleo rural, etc.
Nuestro modelado ha resultado ser muy competitivo tanto en términos de tiempo computacional como de aproximación a los resultados calculados «exactos», superando a los paquetes de software disponibles comercialmente para esta tarea.
Quizás el hallazgo más importante es que una estrategia de instalaciones dinámicas, mediante la cual se permite que los centros de recolección y las biorrefinerías abran, expandan o contraigan, o cierren según corresponda dentro de la campaña, sí se puede modelar y administrar adecuadamente. Esto facilita una mayor producción de biocombustibles, una cadena de suministro más rentable, más empleos creados y, un poco más lejano, un mejor uso de la tierra para que la producción de biocombustibles ocupe menos de la tierra agrícola que de otro modo se necesitaría para la producción de alimentos.
Al mismo tiempo, también hemos comenzado a controlar el impacto de la incertidumbre (en torno a la probable disponibilidad de desechos agrícolas) en el desempeño económico de las cadenas de suministro de biocombustibles de flujo de desechos. Esto sugiere algunas líneas para futuras investigaciones, especialmente donde los parámetros de entrada, como la demanda de biocombustibles y las tasas de conversión de masa-combustible, son deficientes en datos.
Para más información, aquí
