INTRODUCCIÓN

Debido a la demanda esperada en el sector de las baterías para los próximos años, los esfuerzos de la industria se centran en evolucionar tecnológicamente las distintas etapas de la cadena de valor; como, por ejemplo, el reciclaje de estos dispositivos una vez finalizada su vida útil.

Esta fase es una actividad crítica ya que de su despliegue dependerá que la industria sea realmente “circular” y cumpla con las expectativas que hay en el sector en términos de competitividad, garantía de suministro y sostenibilidad.

Por todo ello, es necesario que las rutas tecnológicas de reciclaje que se desarrollen sean rentables, industrializables y sostenibles; alcanzando, de forma rápida y eficaz, las economías de escala necesarias que aseguren la viabilidad de la actividad.

De ahí la importancia de aprovechar los nuevos enfoques que la digitalización y las soluciones que la componen (como la Inteligencia Artificial, también conocida como IA) pueden ofrecer a las plantas de reciclaje de baterías, con las correspondientes ventajas que en términos de tiempo, coste y eficiencia presentan este tipo de herramientas.

El presente documento realiza una identificación a alto nivel de este conjunto de oportunidades que presenta la IA para las dos grandes actividades que conforman el reciclaje de este tipo de dispositivos: por un lado, la gestión de los residuos una vez finalizada la vida útil de la batería y, por otro, la recuperación de materiales a partir de esos deshechos mediante las distintas rutas tecnologías existentes.

^{Tabla 1: Resumen de fases del proceso de reciclaje de baterías y potenciales oportunidades de la IA en las mismas.}

POTENCIAL DE LA IA EN LA PRIMERA ETAPA DE CLASIFICACIÓN DE RESIDUOS

Como se indicaba anteriormente, la actividad de reciclaje de baterías se inicia con una primera fase asociada a la clasificación de los residuos de cara a identificar qué deshechos y materiales son potencialmente recuperables.

Con este objetivo, esta primera etapa inicial puede contar con un gran aliado en la IA, al ofrecer, mediante sus diferentes algoritmos, soluciones de reconocimiento de patrones muy útiles en esta fase de categorización y agrupación de los diferentes residuos. Todo ello, con el añadido que supone al posibilitar también un mayor grado de seguridad en su tratamiento de deshechos, como veremos a continuación.

En relación a la capacidad de clasificación, existen estudios [1] que han acreditado cómo a través de técnicas de reconocimiento mediante imágenes, la IA es capaz de determinar la ubicación y tipología de residuos a tratar. Esto permite determinar qué método o vía puede ser la mejor para “gestionar” ese residuo según su naturaleza (teniendo en cuenta, por ejemplo, aspectos como su toxicidad u otros aspectos clave asociados a la seguridad en su manipulación). Todo ello repercute no solo en una mayor eficiencia en la clasificación de residuos, sino que también reduce el riesgo asociado al proceso al seleccionar aquel más óptimo.

Esta primera categorización se complementa con la posibilidad de automatizar el proceso de agrupación de residuos en “lotes”, realizando las agrupaciones correspondientes según las características de los mismos de cara a unificar su posterior tratamiento y recuperación. En este caso, existen enfoques [2] que han demostrado el uso de redes neuronales convolucionales con este fin, que permiten, a partir de un conjunto suficiente de datos etiquetados realizar esta agrupación. Se espera que además esta capacidad de categorización se vaya aumentando y puliendo a medida que se aumente el número de datos y referencias de las que dispone la IA para este fin, a través de enfoques como los planteados por A. Abucide-Armas et al [3] y Azurmendi et al [4].

Más allá de estas ventajas, otro elemento clave del uso de la IA en esta fase del proceso, es la capacidad de captar datos para predecir la potencial cantidad de residuos a tratar (para lo que es clave que trabajen en tiempo real [5] [6]). Esto supone planificar con antelación la actividad (determinando y optimizando las posibles rutas de reciclaje), y cuantificar qué cantidad de material podrá ser recuperado para su posterior reutilización en nuevas baterías.

ENCAJE DE LA IA CON LAS PRINCIPALES RUTAS TECNOLOGÍCAS

Una vez clasificados y agrupados los residuos, como se ha señalado al inicio estos están en disposición de ser tratados para su posterior recuperación, con lo que se inicia la segunda fase de la actividad de reciclaje.
Actualmente, tres son las grandes rutas tecnológicas identificadas como viables dentro de la industria del reciclaje de baterías:

^{Tabla 2: Principales rutas tecnológicas dentro del reciclaje de baterías [7].}

El gran potencial de la IA dentro de esta fase del proceso de reciclaje está asociada a la automatización del propio proceso (independientemente de la ruta), lo que supondría una reducción de su complejidad, coste e impacto ambiental actual.

En este sentido, la IA permite realizar una identificación automática del tipo de residuos existentes (a través nuevamente de imágenes, como mencionábamos en el apartado anterior). Con ello determina su nivel de degradación y así, evalúa el tipo de actuación a llevar a cabo. Esto permite aumentar la eficiencia de la actividad, mejorando el proceso de toma de decisiones según el nivel y calidad de los residuos. Igualmente, supone reducir el grado de dispendio económico y minimizar el impacto ambiental que el proceso puede generar innecesariamente.

De la misma manera, y al igual que en la fase de agrupación, la automatización a través de la IA supone un impulso en términos de seguridad, al permitir un tratamiento automático de los residuos minimizando, en la medida de lo posible, su contacto con personas y, con ello, los potenciales riesgos.

Finalmente, otra gran oportunidad que presenta la IA es la capacidad de facilitar la aplicación conjunta de varias de estas rutas señaladas, aprovechando así sus sinergias. De esta forma, según el tipo de residuos y sus necesidades de tratamiento (input proveniente de la primera fase del reciclaje), la IA es capaz de determinar en qué caso y qué residuo es más conveniente usar una u otra alternativa, logrando así aprovechar las fortalezas y ventajas de cada una de estas rutas tecnologías.

VENTAJAS DE LA IA Y REFLEXIONES FINALES

En una industria como la de las baterías que busca ser lo más eficiente posible a la par que sostenible, parece claro, como se ha descrito a lo largo del texto, el encaje de la IA como aliada para alcanzar estos objetivos, gracias a su potencial en actividades clave como el reciclaje.

Así, por un lado, las soluciones de IA ofrecen la capacidad de monitorizar y automatizar procesos como la clasificación y agrupación de residuos o la actividad de reciclaje en sí, lo que supone una ventaja en términos de eficiencia, coste y seguridad.

Por otro lado, hay que tener en cuenta que estas soluciones se basan en la captación de datos y su tratamiento, lo que supone una herramienta de alto valor añadido para comprender mejor los retos y áreas de mejora de los procesos de reciclaje, contribuyendo a su mejora continua, optimización y madurez tecnológica.

De ahí la oportunidad que la digitalización, a través de este tipo de soluciones, supone para las industrias estratégicas del futuro como la de las baterías, al ser un catalizador de cara a una mejor comprensión de las mismas, logrando así impulsar su desarrollo tecnológico e industrial.

^References

^{[1] AZIS, F.; AROF, H.; MOKHTAR, N.; et al. "Rotation invariant bin detection and solid waste level classification". Measurement. Abril 2015, vol.65, p.19-28. DOI: 10.1016/j.measurement.2014.12.027.}

^{[2] SAKR, G.E; MOKBEL, M.; DARWICH, A.; KHNEISSER, M.N.; HAD, A. "Comparing deep learning and support vector machines for autonomous waste sorting”. 2016 IEEE International Multidisciplinary Conference on Engineering Technology (IMCET), Beirut, Lebanon. 2016, p.207-212. DOI: 10.1109/IMCET.2016.7777453.}

^{[3] ABUCIDE-ARMAS, A.; PORTAL-PORRAS, K.; FERNÁNDEZ-GÁMIZ, U; et al. "A data augmentation-based technique for deep learning applied to CFD simulations". Mathematics. Agosto 2021, vol. 9, no 16, p.1843. DOI: 10.3390/math9161843.}

^{[4] AZURMENDI, I.; ZULUETA, E.; LÓPEZ-GUEDE, J.M.; et al. "Cooktop Sensing Based on a YOLO Object Detection Algorithm". Sensors, Marzo 2023, vol. 23, no 5, p. 2780. DOI: 10.3390/s23052780.}

^{[5] YANG, H.; NI, J.; GAO, J.; et al. "A novel method for peanut variety identification and classification by Improved VGG16". Scientific Reports. Mayo 2021, vol. 11, no 1, p.1-17. DOI: 10.1038/s41598-021-95240-y}

^{[6] GÜNEY, E.; BAYILMIS, C.; CAKAN, B. "An implementation of real-time traffic signs and road objects detection based on mobile GPU platforms". IEEE Acces, Agosto 2022, vol. 10, p. 86191-86203. DOI: 10.1109/ACCESS.2022.3198954}

^{[7] Nestor Antuñano. Análisis de los grandes procesos de reciclaje en el sector de las baterías [en línea]. Junio 2021. Disponible en web: https://cicenergigune.com/es/blog/procesos-reciclaje-sector-baterias.}

Artículo publicado en la revista de ingeniería DYNA. 

Autores: