MACHSENSE: SISTEMA DE INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIÓN EN EL CONTROL DE LAS EMISIONES DE PARTÍCULAS DIFUSAS EN ENTORNOS PORTUARIOS

Transporte y almacenamiento

MACHSENSE: SISTEMA DE INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIÓN EN EL CONTROL DE LAS EMISIONES DE PARTÍCULAS DIFUSAS EN ENTORNOS PORTUARIOS

Transporte y almacenamiento

MACHSENSE: SISTEMA DE INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIÓN EN EL CONTROL DE LAS EMISIONES DE PARTÍCULAS DIFUSAS EN ENTORNOS PORTUARIOS

Business Case

Los entornos portuarios presentan una casuística compleja en la línea del control y determinación de las emisiones difusas (partículas) , problema asociado a la manipulación de graneles sólidos (carga, descarga, trasiego, tránsito de camiones, almacenamiento a la intemperie, etc.). Las técnicas utilizadas para la estimación y análisis de los impactos por emisión de partículas llevan asociados altos costes y limitada resolución espacial (monitorización), y altas necesidades de conocimiento y computación (modelado físico). MACHSENSE, permite corregir las deficiencias de los sistemas actuales mediante la fusión de dos técnicas, la sensórica low cost como el medio para la estimación de las emisiones de los distintos focos situados en la zona portuarias y IA permiten suplir/complementar dichas medidas con un concepto novedoso, la sensórica virtual o soft sensing.

Objetivos

Desarrollo e implantación de un sistema totalmente autónomo, basado en sensores “virtuales” (Machine Learning), que permita a las Autoridades Portuarias la toma de decisión proporcionándoles una estimación de los impactos por emisiones de partículas difusas (PM10) generadas en el área portuaria.

Use case

Casos de Uso

Infraestructura

PC;

Tecnologías utilizadas

Tecnologías utilizadas

Datos utilizados

– Datos de monitorización de contaminación y meteorológicos en real time, así como meteorología predictiva. – Datos de operativas portuarias. – Datos de predicción meteorólogico.

imagen

imagen

Recursos utilizados

Equipo multidisciplinar de: expertos de dominio (medio ambiente: calidad de aire) y expertos en Ciencia de Datos.

Dificultades y aprendizaje

Dificultad en la detección de eventos debido a problemas de observación de los procesos de emisión por la discontinuidad de los procesos y la imposibilidad de colocación del equipamiento en las ubicaciones deseadas.

KPIs (impacto en el negocio y métricas del modelo)

– Reducción de los costes de redes de monitorización. – Reducción en los tiempos de ejecución con respecto a los sistemas de evaluación. – Interfaz más intuitiva que en los sistemas habituales lo que permite un menor conocimiento experto.

Financiación

Financiación

Colaboradores

BECSA, Puerto Bilbao y Puerto de Castellón.

multimedia

Scroll al inicio