Crisis climática, transición energética, nueva movilidad, digitalización, auge del e-commerce, crecimiento demográfico, transición de materiales, líneas estratégicas nacionales y supranacionales… son retos y oportunidades propios de nuestro tiempo a los que los puertos del mundo están buscando respuesta.
Las respuestas estratégicas de los puertos a estos retos y oportunidades incluyen la digitalización y la innovación, en tal medida que se están transformando en centros de innovación y en organizaciones basadas en el dato.
Allí donde hay datos y se deben tomar decisiones, la analítica avanzada es inevitable.
La llegada del 5G y el Internet of Things (IoT), que nos ofrecen conectividad y sensorización sin precedentes, la rápida digitalización de las redes de transporte y logística, y la interconexión de diferentes sistemas y agentes, han hecho que la información fluya de extremo a extremo en el entorno portuario: de la autoridad portuaria al operador de terminales, a la naviera y al depot de contenedores, prácticamente en tiempo real.
Esta avalancha de datos propiciada por la conectividad y la tecnología estimula la aplicación de la Analítica Avanzada (Machine Learning, Inteligencia Artificial, Optimización Matemática) para encontrar soluciones matemáticas a problemas de simulación de eventos discretos, previsión, asignación, optimización y planificación, a lo largo de toda la cadena de valor. Este post tocará por encima algunas áreas de uso.
Diseño de la operación de la terminal
En algún momento, todo sistema complejo exige decisiones difíciles que no permiten experimentación previa y cuyas consecuencias una vez tomadas son costosas de rectificar. Un ejemplo sencillo es dónde ubicar una factoría. No es una decisión que permita un enfoque de ensayo y error. Una ubicación incorrecta supondrá un lastre en la cuenta de resultados, bien por costes excesivos de instalación, operación, logísticos, etc.
Este tipo de decisiones requieren de un cuidadoso análisis previo, que puede resultar tan complejo por las interdependencias entre las diferentes partes del sistema que en la práctica resulta imposible.
La analítica avanzada ofrece la posibilidad de simular el sistema. La simulación consiste en la construcción de una réplica digital (una maqueta) del sistema estudiado con todo el detalle requerido en cada uno de sus elementos, incluidos los procesos operativos, de forma que permite observar el comportamiento esperado del sistema frente a diferentes configuraciones.
Esta maqueta se denomina Digital Twin o Gemelo Digital. Por desgracia, a menudo este término se usa para referirse a una réplica digital de los elementos del sistema con el objetivo de mostrar la información de su configuración y desempeño. En este caso tratamos con una herramienta puramente descriptiva (un digital mirror), sin capacidades de simulación.
En el caso de los puertos, estas decisiones pueden interesar a su diseño (ubicación de diferentes elementos) o a sus procesos. El Digital Twin facilita un entorno de pruebas para evaluar y comparar cambios sin inversiones en equipos ni interferencias en la operativa diaria:
- Estudio de la capacidad del sistema ante nuevos escenarios de demanda: cuellos de botella y capacidad ociosa.
- Evaluación de alternativas de diseño y de operación
- Adquisición de nuevos equipos
- Ampliación de los horarios de prestación de servicios
- Cambios en la forma de operar:
- nuevas estrategias de almacenamiento de contenedores,
- ventanas de carga/descarga, etc.
El Digital Twin se aprovecha de los datos históricos disponibles para el caso de uso en cuestión: demanda, procesos operacionales, etc. Además en el entorno IoT, el Digital Twin puede nutrirse de la información provista por los sensores disponibles: ubicación, presión, temperatura, vibración, etc.
Gestión de operaciones en tiempo real
La analítica avanzada es una herramienta especialmente diseñada para ofrecer soluciones a problemas complejos, con gran número de factores y restricciones como la gestión de un puerto.
Disciplinas como la Investigación Operativa permiten plantear objetivos como maximizar el número de buques, trenes y camiones atendidos, aumentar la productividad de los equipos y reducir la congestión, mejorar la visibilidad y la trazabilidad del paso de los contenedores o minimizar el tiempo de estancia de éstos.
Para ello combina datos de dominio público como la información meteorológica con datos específicos como las rutas y horarios de navegación e información sobre las infraestructuras, equipos y espacios disponibles. Con la información de las reglas de operación existentes y gracias al IoT, la localización de cada contenedor y grúa en cada instante, se desarrollan casos de uso en varios ámbitos.
- Operativa de buques
- previsión de retrasos/adelantos en la llegada de buques
- asignación de buques a muelles
- asignación de equipos de carga/descarga a buques
- asignación de tareas a equipos considerando la llegada simultánea de camiones y de trenes
- etc.
- Operativa de camiones
- asignación de zona de carga/descarga
- asignación de recursos para su carga/descarga
- etc.
- Operativa de trenes
- necesidad de maniobras
- asignación de vía de descarga/carga
- etc.
- Patio de contenedores
- gestión del tráfico
- asignación de tareas a equipos que se mueven entre zonas
- etc.
La combinación de estos casos de uso ofrece una optimización extremo a extremo del trasbordo y almacenamiento de contenedores en tiempo real.
Mantenimiento prescriptivo
El mantenimiento prescriptivo combina Machine Learning y Optimización para estimar la probabilidad de fallo de los equipos y mejorar la planificación de las tareas de mantenimiento, valiéndose para ello del histórico de incidencias y la información proporcionada por los sensores localizados en los propios equipos.
Con el objetivo de reducir costes de mantenimiento y minimizar el número de mantenimientos correctivos, el mantenimiento prescriptivo no se limita a indicar una probabilidad de fallo en los equipos, sino que optimiza la programación mensual y la planificación anual de las tareas de mantenimiento, adecuándolas sobre la marcha a los cambios en las condiciones de los equipos.
Este caso de uso muestra la potencia de emplear analítica predictiva y optimización de manera conjunta. Estas técnicas no solo nos enseñan el futuro, sino que también nos proponen la mejor decisión calculada matemáticamente.
