Reto 5: Cambio Climático y Utilización de Recursos Naturales y Materias Primas

El pronóstico del tiempo se basa en modelos matemáticos capaces de predecir desastres naturales devastadores como huracanes, inundaciones o incendios forestales. Las consecuencias de los fenómenos naturales como los tsunamis, las avalanchas de nieve y rocas o las olas de frío pueden ser a menudo mitigadas usando las herramientas MSO-ED. Además, la evolución del cambio climático y el calentamiento global se realiza actualmente sobre la base de simulaciones matemáticas, lo que ayuda a evaluar la magnitud de lo que ya es el primer desafío mundial.

El mayor desafío de las próximas décadas será defender el medio ambiente a través de lograr un desarrollo económico sostenible. Este es un campo, a caballo entre los retos 3 y 5, y donde las herramientas MSO-ED pueden hacer enormes contribuciones. Por ejemplo, la gestión de la energía puede facilitarse mediante sistemas inteligentes de decisión basados en algoritmos matemáticos adecuadamente desarrollados. Lo mismo puede hacerse para las operaciones de recogida de residuos urbanos, o la gestión de flotas para la entrega en la ciudad. La gestión de edificios es otro campo de aplicación de las herramientas del MSO-ED; un algoritmo adecuado puede calcular los requisitos de calidad del aire y las condiciones térmicas de cada habitación de un edificio, asegurando las mínimas condiciones de bienestar exigidas por la ley, y minimizando al mismo tiempo el uso de energía. También mencionaremos las herramientas de simulación para ayudar a crear prototipos de nuevos coches (minimizando la quema de combustibles contaminantes) o motores eléctricos.

Por otra parte, los retos a los que se enfrentan las empresas dentro de la Industria 4.0 y 5.0 muestran un nivel de complejidad sin precedentes, por lo que requieren enfoques holísticos y procesos de solución basados en algoritmos optimizados. Los responsables de la toma de decisiones necesitan herramientas avanzadas que permitan el análisis de riesgos a largo plazo, procesos limpios y mejoras en los prototipos, junto con un conjunto apropiado de métodos de optimización y control. Las tecnologías clave de esos procesos suelen ser muy complejas y requieren el apoyo de expertos muy cualificados, que a menudo no están disponibles en las PYMES españolas (en particular, las empresas innovadoras de base tecnológica y las empresas de nueva creación), lo que afecta a los resultados económicos y financieros de las empresas. Además, los proveedores de las competencias necesarias están repartidos en diferentes áreas de especialización en universidades, instituciones de investigación y tecnológicas. Estas características requieren la colaboración e integración de diferentes proveedores avanzados y otros actores de la innovación en diferentes sectores y regiones. Este rol integrador es uno de los objetivos propuestos para la plataforma PET MSO-ED.

• Capacidades de las Tecnologías MSO-ED en el ámbito del Reto 5
  • Simulación, predicción y control de emisiones contaminantes.
  • Simulación y optimización de procesos de producción y distribución.
  • Optimización integral de cadenas de suministro de productos y bienes, integradas por proveedores de materias primas, plantas de producción, plantas de ensamblaje, centros de venta y reciclado de productos desde clientes a las plantas de control, y de ahí a las plantas de producción y ensamblaje (closed-up supply chain management).
  • Modelización y simulación de incendios forestales. Algoritmos de ayuda para la prevención, control y extinción. Optimización de la planificación de la utilización de recursos terrestres y aéreos para su extinción.
  • Simulación, predicción e impacto de desastres naturales tales como inundaciones y terremotos. Optimización de la mitigación de sus efectos antes del suceso. Optimización de la actuación en emergencia, mediante la localización de refugios y depósitos, acopio de recursos, y distribución de material indispensable.
  • Simulación y predicción de la calidad del agua. Optimización de la planificación sostenible de la explotación de cuencas hidrográficas para fines industriales, de generación de energía, agrícolas y domésticos.
  • Optimización de la planificación de la explotación forestal sostenible.
  • Optimización de la planificación de riegos con fines agrícolas y ganaderos.

• Historias de éxito ya implementadas en el ámbito del Reto 5
  • Predecir los efectos de un tsunami. Ver Libro de Casos de Éxito de math-in, pág. 7.
  • Herramienta predictiva de episodios de polución y eventos de contaminación en una planta térmica. Ver Libro de Casos de Éxito de math-in, pág. 6.
  • Simulación del flujo en ríos y estuarios. Ver Libro de Casos de Éxito de math-in, pág. 9.
  • Herramienta de control del riego, la humedad y la temperatura en invernaderos. Ver Libro de Casos de Éxito de math-in, pág. 37.
  • Valoración diacrónica del empleo de lodos de depuradora en agricultura: producción, biodiversidad, fósforo y metales pesados.
  • Predicción de incendios forestales. Ver Libro de Casos de Éxito de math-in, pág. 10.
  • Misiones de emergencia críticas con vehículos aéreos tripulados y no tripulados en vuelos cooperativos. Caso de éxito de math-in publicado en la base de datos de la red europea EU-Maths-IN.
  • Simulación y optimización de nuevos procesos y aleaciones de aceros microaleados para la forja en caliente de cigüeñales de automoción. Ver Libro de Casos de Éxito de math-in, pág. 5.
  • Ayuda al diseño de sistemas de suministro de energía a buques en puertos. Caso de éxito de math-in publicado en la base de datos de la red europea EU-Maths-IN.
  • Mantenimiento predictivo de sistemas de aire acondicionado. Casos de éxito de math-in publicados en la base de datos de la red europea EU-Maths-IN y disponibles en el link1 y link2.
  • Procesos de colada de metales y tratamiento metalúrgico. Caso de éxito de math-in publicado en la base de datos de la red europea EU-MATHS-IN.
  • Modelización matemática y simulación numérica con el fin de mejorar la eficiencia y la productividad de los hornos industriales para la purificación de metales. Ver Libro de Casos de Éxito de math-in, pág. 34.
  • Resolver la profundidad en las imágenes de satélite. Ver Libro de Casos de Éxito de math-in, pág. 19.
  • Lubricar hélices de barco con agua marina. Ver Libro de Casos de Éxito de math-in, pág. 31.
  • Modelización matemática y simulación numérica con el fin de mejorar la eficiencia y la productividad de los hornos industriales para la purificación de metales. Ver Libro de Casos de Éxito de math-in, pág. 34.