Moeve impulsa la optimización inteligente del blending de gasolinas mediante una plataforma digital que estandariza y automatiza la formulación de recetas. La solución integra datos históricos, laboratorio, analizadores y modelos de Machine Learning para simular escenarios y optimizar mezclas, reduciendo regalos de calidad, reblends y cuellos de botella, y mejorando la eficiencia, la capacidad de fabricación y el uso de recursos.
Candidatura
Optimización Blending Gasolinas
Indicadores y procesos de mejora
El impacto se medirá mediante indicadores de calidad, productividad, eficiencia y adopción. Entre los principales KPIs: reducción del 50% del regalo de calidad MON y PVR frente a 2025; incremento aproximado de 10 km³ de producción de gasolinas en el periodo estival; mejora del índice de fabricación a la primera; reducción de reblends; mejora de la rotación de tanques; precisión de los modelos de RON, MON y PVR; uso de la plataforma y adopción online. El business case estima un beneficio base de 2,223 M€/año, asociado a la reducción de regalos de calidad, menor reblending, mayor eficiencia de rotación y capacidad adicional de producción.
Cuantificación/Estimación reducción consumo
No se dispone todavía de una cuantificación directa de reducción de consumo energético en MWh. No obstante, el proyecto genera palancas claras de eficiencia: reducir reblends y producto fuera de especificación evita operaciones adicionales de mezcla, bombeo, recirculación y movimientos de tanque; mejorar la fabricación a la primera y la rotación de tanques reduce operaciones innecesarias; y la optimización de recetas mejora el aprovechamiento de componentes.
Cuantificación/Estimación reducción emisiones CO2
No se dispone actualmente de una cuantificación directa de reducción de emisiones de CO₂. El impacto esperado es indirecto y deriva de una operación más eficiente: menos reblends, menor producción fuera de especificación, reducción de operaciones innecesarias de tanque y mejor aprovechamiento de componentes.
Innovación aplicada y buenas prácticas
La principal innovación es transformar un proceso tradicionalmente apoyado en cálculos Excel y conocimiento experto individual en una plataforma digital, estandarizada y escalable. Combina Machine Learning para modelizar interacciones no lineales entre componentes, optimización matemática de recetas, simulación de escenarios y datos de proceso, laboratorio y analizadores. La solución crea un flujo único para Programadores, conserva el histórico de simulaciones y permite evolucionar hacia automatización de consignas, mejorando la fabricación a la primera y reduciendo variabilidad y dependencia del conocimiento individual.
Uso de tecnologías (TICs)
La solución se articula mediante una webapp corporativa para la generación, simulación y optimización de recetas de blending. Integra modelos de Machine Learning para estimar RON (Research Octane Number), MON (Motor Octane Number) y PVR (Presión de Vapor Reid), un motor de optimización matemática basado en precios, propiedades y consumo de componentes, tracking dinámico de inventarios y propiedades, e información procedente de laboratorio, analizadores e inferencias. Incluye histórico de simulaciones y, en PELR (Parque Energético La Rábida), automatización del envío de recetas al sistema de control. Su diseño busca ser escalable y reutilizable entre centros.
