“Si alguien vuelve a su planta y lo primero que hace es preguntarse qué sabe realmente del material que maneja, la ponencia habrá cumplido su función”
La simulación avanzada y la inteligencia artificial están ampliando las posibilidades de la ingeniería industrial, especialmente en el ámbito de los sólidos a granel, donde conocer el comportamiento de cada material resulta determinante para diseñar equipos, optimizar procesos y anticipar incidencias. Sin embargo, el verdadero potencial de estas tecnologías no reside únicamente en la capacidad de cálculo, sino en disponer de datos fiables y saber interpretar los resultados para convertirlos en decisiones de ingeniería.
Sobre esta premisa trabaja Álvaro Manuel Rodríguez, ingeniero industrial del Instituto Tecnológico de Aragón (ITA), que el próximo 26 de noviembre participará en la Jornada Techsolids 2026, en Zaragoza, con la ponencia “De la partícula al proceso: simulación e inteligencia artificial aplicadas a la industria de sólidos a granel”.
¿Qué conocimientos y herramientas prácticas le gustaría que los asistentes se llevaran de su ponencia y cómo pueden ayudarles a afrontar los retos y mejorar los procesos de sus empresas?
Me gustaría que salieran con un criterio más que con una herramienta. En particular, hay tres ideas que me importan especialmente. La primera es que el comportamiento de un material a granel sí es predecible, pero solo en la medida en que ese material se haya caracterizado. La mayoría de los modelos que fallan no lo hacen por el método de cálculo, fallan porque alguien supuso unas propiedades que nunca se llegaron a medir.
La segunda es que la simulación no sustituye al ensayo, lo ordena. Permite llegar al banco de pruebas con dos alternativas bien elegidas en lugar de con ocho.
La tercera, y quizá la más útil en el día a día, es saber qué preguntas se le pueden hacer hoy a un modelo y cuáles todavía no. Conocer los límites de una herramienta vale tanto como conocer sus capacidades, y es lo que evita que el primer proyecto acabe en decepción. Si alguien vuelve a su planta y lo primero que hace es preguntarse qué sabe realmente del material que maneja, la ponencia habrá cumplido su función.
Precisamente, su ponencia lleva por título “De la partícula al proceso”. ¿Cómo pueden la simulación y la inteligencia artificial ayudarnos a comprender mejor el comportamiento de las partículas y anticipar fenómenos que, hasta ahora, resultaban difíciles de observar, medir o predecir en los procesos industriales?
El método de elementos discretos resuelve el movimiento de cada partícula y las fuerzas de contacto entre ellas. Eso da acceso a magnitudes que en planta son prácticamente inaccesibles, como la fuerza con la que una partícula golpea un revestimiento, la energía que se disipa en cada impacto, el tiempo que un grano permanece en una zona muerta o cómo se segrega una mezcla dentro de un equipo cerrado y en movimiento. Son cosas que no se pueden instrumentar sin alterar el propio proceso que se quiere observar.
La inteligencia artificial amplía ese alcance por los dos extremos. Por un lado, permite llevar al modelo información del material que antes no estaba a mano, como distribuciones de forma, de angulosidad o de longitud de fibra obtenidas de imágenes de la propia muestra, que ningún tamiz proporciona. Por otro, reduce el coste de preguntar, porque automatiza buena parte del trabajo de ajuste que antes se hacía a mano y que consumía la mayor parte del tiempo de un estudio. Entre las dos cosas cambia el tipo de pregunta que uno se puede plantear, que deja de ser si este equipo funcionará y pasa a ser qué combinación de geometría y condiciones de operación va mejor con este material concreto.
¿Hasta qué punto las herramientas de simulación permiten anticipar problemas tan habituales como la formación de atascos o el desgaste de los equipos?
Conviene separar los dos casos, porque la madurez no es la misma. Los atascos y las bóvedas se predicen bien. Son un fenómeno dominado por la geometría del equipo y por la fricción y la cohesión del material. Si el material está bien caracterizado, el modelo reproduce si el flujo es másico o de embudo, dónde se forma la zona estancada y a partir de qué ángulo o de qué apertura el material deja de fluir. Ahí la simulación es una herramienta de diseño fiable. El desgaste admite más matices. Predecimos muy bien dónde se produce y cómo se reparte, y comparamos dos geometrías o dos condiciones de operación con bastante confianza. Dar una cifra absoluta de vida útil en horas es mucho más difícil, porque intervienen la abrasividad real del material, la humedad y el estado de la superficie.
La simulación puede generar grandes cantidades de información sobre el comportamiento de un proceso. ¿Qué aporta la IA a ese conocimiento? ¿Cómo se complementan ambas tecnologías para pasar de comprender lo que sucede a predecir lo que sucederá o recomendar cómo actuar?
Hay tres niveles y están en estados de madurez distintos. El primero ya lo he mencionado, la inteligencia artificial mejora los datos de entrada, con visión artificial para caracterizar la forma y el tamaño reales del material. El segundo es la calibración automática, donde combinamos un diseño de experimentos que identifica qué parámetros son de verdad significativos con optimización que los ajusta contra varios ensayos a la vez en lugar de uno por uno, y la diferencia práctica es que el proceso deja de ser artesanal y pasa a ser trazable, reproducible y auditable, que es justo lo que permite defender un resultado delante de un cliente. El tercero es el que lleva de comprender a predecir. Cada simulación cuesta del orden de horas, pero con un conjunto de ellas se entrena un modelo sustituto que aprende la relación entre condiciones de entrada y resultado, responde en segundos y abre la puerta a barrer condiciones de operación, optimizar o alimentar un gemelo digital.
Conviene ser honesto y decir que en sólidos a granel este nivel está menos maduro que en otras disciplinas, precisamente porque generar los datos sale caro, y es donde más va a avanzar el campo en los próximos años. Sobre recomendar cómo actuar soy prudente. El modelo propone, cuantifica y ordena alternativas, pero la decisión sigue siendo de ingeniería.
Desde un punto de vista práctico, ¿en qué fases de un proyecto industrial puede aportar más valor esta combinación de simulación e inteligencia artificial: en el diseño de nuevos equipos, la puesta en marcha, la optimización de procesos existentes o el mantenimiento? ¿Podría compartir algún ejemplo de aplicación?
En el diseño de equipos nuevos el retorno es máximo, por la sencilla razón de que cambiar una geometría en pantalla no cuesta nada y cambiarla en acero cuesta mucho. En la optimización de procesos existentes el valor es alto cuando hay un problema concreto y acotado, del tipo esta tolva se me atasca o este revestimiento se me desgasta antes de tiempo. En la puesta en marcha resulta útil sobre todo para acotar el rango de condiciones de operación antes de empezar a tocar la planta. En mantenimiento es donde está más verde, aunque es la línea que más va a crecer cuando los modelos sustitutos permitan calcular casi en tiempo real.
Dos ejemplos de trabajo reciente. El primero es el pretratamiento por termoextrusión de paja en el proyecto europeo LIFE CHANDELIER, un caso exigente porque la fibra no es esférica ni rígida y casi nada de lo tabulado sirve. Caracterizamos la morfología de las fibras por análisis de imagen, calibramos el modelo en seco y en húmedo contra ensayos de ángulo de reposo y de densidad aparente, y desarrollamos modelos de contacto propios para reproducir la rotura de fibra dentro del extrusor, que es justo lo que condiciona la digestibilidad posterior del material.
El segundo es una trituradora de impacto de eje vertical. Ahí no basta con entender el flujo, hay que saber qué carga está recibiendo la estructura. Extraemos los mapas de fuerza de la simulación de partículas y los transferimos al modelo de elementos finitos para obtener tensiones y respuesta dinámica, además del patrón de desgaste sobre las piezas que más sufren. Ese salto, de la fuerza de contacto entre partículas a la respuesta estructural del equipo, es el que convierte una animación en una decisión de diseño.
Uno de los obstáculos a la hora de incorporar nuevas tecnologías es demostrar que habrá un retorno de la inversión. ¿Cómo convencería a una empresa de que obtendrá beneficios?
El retorno depende mucho de cada caso. El planteamiento que uso es comparar contra la alternativa real, que casi siempre consiste en construir el equipo y probarlo. Visto así, los beneficios son tangibles. Se reducen los ensayos físicos, porque se llega al prototipo con las alternativas ya filtradas en lugar de usar el banco de pruebas para descartar, y se acorta el desarrollo, porque varias configuraciones se evalúan en paralelo mientras el taller sigue trabajando en otra cosa. Se abren comparaciones que en banco no se hacen, ya que nadie fabrica cuatro rotores distintos para compararlos y en simulación sí se puede, y se diagnostica la causa en lugar del síntoma, que es lo que evita la serie de parches que suele venir después.
En una inversión grande el coste del modelo resulta además marginal frente al coste de equivocarse. Y hay un beneficio menos evidente, que es el conocimiento generado, ya que el material caracterizado y el modelo calibrado se reutilizan en los proyectos siguientes sin volver a pagar por ellos.
Dicho esto, también digo cuándo no compensa. Para un equipo estándar, con un material conocido y que ya funciona razonablemente, probablemente no haya caso. El retorno aparece cuando el coste de equivocarse es alto o cuando el material es difícil, y en sólidos a granel el material difícil es la norma más que la excepción.
Para una empresa industrial que todavía no utiliza estas tecnologías, ¿por dónde recomendaría que empezara?
Lo primero que recomendaría es no empezar comprando software. La licencia, la formación y la curva de aprendizaje suman una inversión considerable que conviene afrontar cuando ya se sabe qué se va a sacar de ella, y no antes.
El camino que mejor funciona es un proyecto pequeño y bien acotado sobre un problema que duela de verdad, como un atasco, desgaste o equipo concreto. Los que nacen con el objetivo de explorar posibilidades suelen acabar sin resultado, mientras que uno con una pregunta clara deja aprendizaje aunque la respuesta no sea la esperada.
En el ITA tenemos programas pensados precisamente para esa toma de contacto, con proyectos iniciales de alcance reducido en los que una empresa puede probar la tecnología sobre su propio material y equipo sin asumir de entrada el coste de internalizarla. Es la manera más razonable de comprobar si esto encaja en su realidad, y si encaja, la decisión de incorporar herramientas o personal se toma después, con criterio y con datos propios.
¿Qué avances cree que veremos en los próximos años en la aplicación de la simulación y la IA a los procesos con sólidos a granel? ¿Qué oportunidades pueden abrir estos avances para los fabricantes de equipos y las ingenierías?
Veo varias líneas que apuntan en la misma dirección. La caracterización de materiales se va a abaratar y a automatizar hasta convertir en un procedimiento de días lo que hoy es un proyecto de semanas, y ahí está lo decisivo, porque la barrera para simular sólidos nunca ha estado en el solver sino en conocer el material. A eso se suman los modelos sustitutos, que al responder casi en tiempo real abren la puerta a gemelos digitales capaces de optimizar durante la operación y no solo en la fase de diseño, unos acoplamientos multifísica cada vez más accesibles para procesos que son varias cosas a la vez y que hasta ahora se modelaban por partes, y un cálculo en tarjeta gráfica que sigue abaratando cada simulación y con ello amplía las preguntas que resulta razonable plantearse.
Para los fabricantes de equipos, la oportunidad es pasar de vender una máquina a vender una máquina con su modelo, capaz de justificar el rendimiento sobre el material concreto de cada cliente. Para las ingenierías, el valor se desplaza del cálculo en sí, cada vez más automático, hacia la caracterización y la interpretación de los resultados.
Lo que no veo es que la inteligencia artificial sustituya a la física ni al ensayo. Quitará trabajo repetitivo y dejará más tiempo para lo que de verdad aporta, que es decidir qué hay que modelar y qué significa lo que sale.