Un equipo de la Universidad de Tecnología y Diseño de Singapur ha desarrollado un método más rápido, impulsado por IA, para realizar evaluaciones del ciclo de vida (ACV), reduciendo significativamente el tiempo y la complejidad involucrados en la medición del impacto ambiental de un producto.
Investigadores de la Universidad de Tecnología y Diseño de Singapur (SUTD) han desarrollado un nuevo modelo impulsado por IA para acortar el tiempo necesario para medir el impacto de un producto en el medio ambiente.
Los resultados, publicado en la revista Proceedings of the Design Society, marcan un paso significativo hacia hacer de las evaluaciones de impacto ambiental una parte integral del diseño de productos, transformando potencialmente el modo en que las industrias abordan la sostenibilidad.
Fondo
Las decisiones tomadas durante el diseño de un producto pueden influir considerablemente en el impacto ambiental del producto final. Desde la selección de materiales hasta los métodos de fabricación, las primeras decisiones dejan una huella duradera en los ecosistemas y las cadenas de suministro.
Sin embargo, la evaluación del ciclo de vida (ACV), la herramienta principal para medir estos impactos, a menudo es inaccesible debido a su complejidad, costo y requisitos de tiempo.
El ACV proporciona una descripción general exhaustiva de la huella ambiental de un producto: desde la extracción de la materia prima, pasando por su uso, hasta su eliminación final.
A pesar de sus méritos, un ACV tradicional es un proceso que requiere muchos recursos y exige meses de recopilación y análisis de datos por parte de expertos, lo que lo hace poco realista para muchas pequeñas y medianas empresas o incluso para empresas más grandes que operan en ciclos rápidos de desarrollo de productos.
Los diseñadores de productos se enfrentan a numerosos desafíos: dificultad para evaluar el impacto de los diferentes materiales debido a la falta de datos fiables, poca influencia en las cadenas de suministro para obtener información y una comprensión incompleta del consumo energético. Sin directrices claras, a menudo terminan tomando decisiones a ciegas, declaró Arlindo Silva, profesor asociado de SUTD, en un comunicado de prensa.
El método del equipo
Para superar estos obstáculos, Silva y su equipo han introducido un método de evaluación del ciclo de vida simplificado (SLCA).
Este enfoque innovador aprovecha la inteligencia artificial, el modelado 3D y las bases de datos existentes para simplificar el proceso de ACV y al mismo tiempo garantizar resultados creíbles.
En lugar de empezar desde cero, SLCA utiliza IA y bases de datos secundarias para identificar los componentes más importantes del ciclo de vida de un producto. Estos elementos clave se modelan en 3D para extraer datos vitales como el peso y el volumen. El sistema de IA también ofrece soporte al correlacionar estas características con los procedimientos de fabricación habituales y seleccionar los datos adecuados de repositorios como Ecoinvent.
El resultado es un ACV que no sólo es más rápido sino que también requiere significativamente menos entradas de datos.
“SLCA se basa en el conocimiento previo para comprender lo más importante, en lugar de exigir hasta el último detalle. Utiliza modelado 3D para obtener las características básicas de las piezas y la IA para combinarlas con los procesos y materiales más probables”, añadió Silva.
Al validar su método mediante un estudio de caso con un pequeño audífono electrónico, el equipo observó una eficiencia notable. El proceso de ACV convencional para el dispositivo tardó tres meses y requirió 86 entradas de datos diferentes. En marcado contraste, el ACV completó la tarea en tan solo una semana con solo 26 entradas de datos, lo que redujo los requisitos de entrada en casi un 70 % y el tiempo en más de un 90 %. Los resultados del ACV demostraron una precisión promedio del 90 % en comparación con la evaluación completa.
Nos aseguramos de que el ACV completo sirviera como nuestra 'verdad fundamental'. Descubrimos que un gran ahorro de tiempo invertido solo produce una desviación mínima en los resultados; más allá de cierto punto, un mayor esfuerzo no se traduce en una mayor precisión, añadió Silva.
Con la llegada de SLCA, los diseñadores ahora pueden probar rápidamente diversos conceptos, identificando materiales o procesos que afectan al medio ambiente desde las primeras etapas del diseño. Esta capacidad es especialmente beneficiosa para industrias con productos en rápida evolución, como la electrónica de consumo y los wearables.
Nuestro enfoque es especialmente adecuado para las etapas iniciales del diseño, donde la incertidumbre es alta. Permite a los equipos identificar puntos críticos sin esperar a que se finalicen todas las especificaciones, evitando sorpresas posteriores cuando un análisis de ciclo de vida completo muestra que el impacto es mayor de lo previsto, añadió Silva.
Próximos Pasos
El equipo de investigación busca mejorar su metodología probándola con diversos tipos de productos y perfeccionando su usabilidad. Visualizan un futuro donde la IA siga avanzando en este ámbito, combinando la automatización con la transparencia e integrando la sostenibilidad en el proceso de diseño desde el principio.
“Actualmente, el ACV es extremadamente difícil de integrar en la etapa de diseño; suele hacerse cuando ya es demasiado tarde para solucionarlo”, añadió Silva. “Esperamos que este trabajo contribuya a integrar la sostenibilidad en el diseño desde el principio, donde puede marcar la mayor diferencia”.