Rodrigo De La Fuente

SOLUCIONES EN ROBÓTICA PARA LA INDUSTRIA FORESTAL

Rodrigo de la Fuente G.

Ingeniero Civil Industrial

 

Realizar investigaciones que son aplicables a optimizar procesos en la industria forestal es uno de los objetivos de este académico de la Facultad de Ingeniería UdeC, quien se desempeña como profesor asistente en el departamento de Ingeniería Industrial. De la Fuente, en los últimos años, se ha asociado con investigadores de la Facultad de Ciencias Forestales UdeC para encontrar alternativas en conjunto y dar respuestas a problemáticas presentes en las faenas madereras. Su área de expertise es la simulación y optimización de procesos, pero también desarrolla estudios en el área de “Machine Learning” sobre la cual señala “los primeros modelos comenzaron a aparecer en la década del ochenta, sin embargo, los sistemas computacionales eran básicos lo que dificultaba la aplicación de los mismos”. El académico además señala que dichas condiciones contrastan con los nuevos y mejores procesadores disponibles hoy en día, lo que ha reactivado la investigación, llevando al desarrollo de algoritmos que han cambiado la forma como interactuamos con el mundo. Además, indica que este fenómeno está directamente relacionado con conceptos ampliamente utilizados hoy en día, como lo son Big Data y Data Lakes.

Precisa De La Fuente, “Hace un tiempo empecé a trabajar con ellos [Departamento de Ingeniería Forestal] y junto al equipo nos dimos cuenta que la industria forestal presentaba algunos problemas en terreno que podían abordarse utilizando Machine Learning”. Este último concepto consiste en algoritmos de aprendizaje, que pueden ser aplicados a aprender relaciones tanto en datos estructurados como no estructurados. Para el investigador, estos elementos matemáticos intentan imitar el comportamiento de una función desconocida que se encuentra en el entorno, que por medio de una estrategia (propia de cada algoritmo) genera una transformación de los datos, que terminan finalmente entregando un resultado que pude ser regresión, clasificación, aglomeramiento, entre otros.

Dentro de estos algoritmos se encuentran las denominadas redes neuronales convolucionadas, las cuales se han aplicado con mucho éxito en el reconocimiento de patrones en imágenes. En el ámbito de la pulpa celulósica tienen aplicaciones para detectar aglutinación de nano-filamentos, señalando que “se puede determinar, por ejemplo, un parche que contenga una mayor cantidad de celtas que están aglutinadas y detectar posibles deformaciones. En términos prácticos, permitiría en un laboratorio que un algoritmo escaneara las imágenes de control de calidad que utilizan los científicos del área para detectar dichas aglutinaciones. Esto permitiría remplazar esta actividad manual por una miles de veces más rápida”. También indica que en la industria papelera, si este tipo de algoritmo estuviera programado para analizar el input de algún tipo de cámara ubicada cerca de un rollo de papel, podría ir visualizando los tramos segundo a segundo, detectando posibles zonas que concentren mayor cantidad de defectos de las esperadas.

Otra aplicación que destaca se relaciona con el riesgo de generación de incendios durante el periodo estival, indicando que algoritmos de este tipo pueden entrenarse con imágenes satelitales para generar rápida caracterización del tipo de vegetación que está en el paso del incendio y los cursos de agua, “mezclando esta información con modelos de elevación digital, cartas de viento y redes camineras, se podría tener una estimación rápidamente de la conducta y posibles consecuencias de un incendio, sin esperar a actuar sobre la emergencia”, comenta el investigador. En cuanto a aplicaciones en las que ha trabajado comenta que “durante las cosechas [en rodales] las máquinas toman los troncos para cortar las ramas, para que así este quede listo para ser transportado. Las ramas quedan como un insumo para generación de energía, siendo procesadas para generar chips que luego son transportados a plantas generadoras. Estas operaciones ocurren en varias partes de la región en forma simultánea durante los periodos de cosecha”. Así indica que lo que querían determinar era la cantidad de biomasa seca que se podía obtener de cada cosecha, dado que cuando se hace la recolección de la biomasa, por lo general esta viene con cierto contenido de humedad, entonces nace la necesidad de averiguar cuánta de esa biomasa corresponde a biomasa seca, lo cual varía de acuerdo al tipo de terreno, las condiciones de lluvia y la geografía.

 Fue así como Rodrigo, en conjunto con investigadores de la Facultad de Ciencias Forestales UdeC, implementaron un algoritmo de Machine Learning, que, en concreto, utilizando como variables de entrada la cantidad de toneladas húmedas que lleva una carga de camión, el sector donde se encontraba tal cosecha, y el periodo del año en que se realiza, poder determinar la cantidad de toneladas secas que llegarán a una planta. Así, se conoce el número de camiones que una empresa debe enviar a un sector para asegurar el abastecimiento de una cierta cantidad de toneladas secas de chips.

Otro de los proyectos en que se encuentra trabajando desde el año 2018 en conjunto con el académico del Departamento de Ingeniería Forestal UdeC Eduardo Acuña, es la aplicación de aprendizaje no supervisado en cosechas forestales. Comenta que se trabajó con un amplio set de datos, que contenían registros sobre los prestadores de servicios, la cantidad de personas que trabajaron en la faena e incluso las condiciones del terreno forestal y su localización. El objetivo era poder predecir de qué forma se relacionaban las variables de este conjunto de datos y determinar algún patrón aparente para agrupar prestadores de servicios de una manera más eficiente. En este caso específico, utilizaron un Self Organizing Maps (Mapas auto- organizados) que “son un tipo especial de red neuronal, en la cual los datos se empiezan a “acomodar” entre ellos y, a medida que este algoritmo itera, estos registros se comienzan a juntar con los que más se asemejan”, señala. Todas estas aplicaciones pueden aportar, a base de algoritmos, a encontrar nuevas soluciones a problemas clásicos de la industria forestal, con el ánimo de buscar soluciones aplicables y efectivas al quehacer industrial.