Biocombustíveis · Brasil · 2024
Inpasa usa IA para otimizar processos industriais de etanol
A Inpasa implementou modelos preditivos para controlar variáveis críticas da fermentação, reduzindo desperdício e aumentando eficiência energética.
Contexto
A Inpasa é uma das maiores produtoras de etanol de milho do Brasil, com unidades industriais no Mato Grosso do Sul. A produção de etanol depende de processos biológicos sensíveis — fermentação, destilação e secagem — onde pequenas variações de temperatura, pH e tempo de reação impactam diretamente o rendimento e o consumo de energia. Com crescimento acelerado da capacidade instalada, a empresa buscava formas de padronizar a operação sem depender exclusivamente da experiência individual dos operadores de planta.
O problema prioritário
A fermentação apresentava variações significativas entre lotes, gerando perdas de rendimento de até 4% e aumento no consumo de vapor durante a destilação. Os operadores ajustavam parâmetros com base em planilhas e observação visual, mas não havia um sistema unificado que correlacionasse variáveis de processo com resultados finais em tempo real. O problema era delimitado: controlar a estabilidade da fermentação na unidade piloto de Sinop.
Objetivo do projeto
Desenvolver um modelo preditivo capaz de recomendar ajustes em tempo real nas variáveis críticas da fermentação (temperatura, pH, tempo de ciclo), com o objetivo de reduzir variação entre lotes, diminuir desperdício de insumos e otimizar o consumo energético da etapa de destilação — tudo isso em um piloto controlado, antes de qualquer expansão para outras unidades.
Passo a passo da jornada
- Mapeamento do processo e das variáveis críticas — A equipe de processo e TI listou os 12 parâmetros mais influentes na fermentação, cruzando conhecimento tácito dos operadores com dados históricos de 18 meses de produção.
- Integração de sensores e consolidação de dados — Foram conectados sensores IoT já existentes na planta a um data lake centralizado, padronizando formatos e frequências de coleta que antes ficavam em sistemas isolados.
- Desenvolvimento e validação do modelo preditivo — Cientistas de dados treinaram modelos de regressão e redes neurais com dados históricos, validando previsões contra lotes reais em ambiente controlado por oito semanas.
- Piloto com operadores no chão de fábrica — Um dashboard exibiu recomendações de ajuste em tempo real para três turnos de operação, com feedback direto dos operadores para calibrar a confiança nas sugestões do modelo.
- Avaliação de resultados e plano de escala — Após três meses de piloto, os indicadores foram comparados com a linha de base e apresentados à diretoria industrial, com um roadmap para replicar o modelo nas demais unidades de fermentação.
Dados necessários
O projeto utilizou dados que a planta já gerava, embora dispersos:
- Leituras de sensores IoT: temperatura, pH, pressão e nível dos tanques de fermentação (intervalo de 1 minuto)
- Dados de laboratório: concentração de açúcares, teor alcoólico e contaminação bacteriana (amostragem a cada 4 horas)
- Registros de produção: volume de etanol por lote, consumo de vapor, tempo de ciclo e identificação de turno/operador
- Histórico de manutenção: paradas programadas e corretivas nos equipamentos da linha de fermentação
Ferramentas e arquitetura
Barreiras enfrentadas
- Resistência cultural dos operadores — No início, houve desconfiança nas recomendações automáticas. A solução foi envolver os operadores mais experientes no design do dashboard e permitir modo de comparação lado a lado (sugestão da IA vs. decisão humana).
- Qualidade inconsistente dos dados históricos — Registros de laboratório tinham lacunas e formatos variados. A equipe investiu seis semanas em limpeza e padronização antes de treinar qualquer modelo.
- Integração entre sistemas legados — O SCADA da planta e o ERP não se comunicavam nativamente. Foi necessário um conector intermediário via Azure IoT Hub para unificar os fluxos de dados em tempo real.
Aprendizados-chave
- Começar com um único processo crítico (fermentação) e uma única unidade permitiu aprendizado rápido sem risco operacional elevado.
- O conhecimento dos operadores foi tão valioso quanto os algoritmos — os melhores resultados surgiram quando o modelo incorporou regras derivadas da experiência de campo.
- Dados imperfeitos não impediram o piloto, mas a qualidade do resultado dependeu diretamente do esforço de saneamento prévio — investir em dados antes de investir em modelos complexos.
Resultados
Fonte
Microsoft Customer Stories — Inpasa acelera produção de etanol com Azure IoT