Acaban de publicarnos un artículo en la revista Sustainability, indexada en el JCR. El artículo de investigación se centra en la optimización de las funciones de coste del ciclo de vida (LCC) y de impacto ambiental (LCA) de las baterías de níquel-zinc (NiZn) mediante el algoritmo de optimización por enjambres de partículas multiobjetivo (MOPSO). El proceso de optimización se centra en las fases de adquisición de materias primas y de fin de vida útil de las baterías de NiZn para mejorar sus indicadores clave de rendimiento (KPI) de sostenibilidad. La metodología, implementada en MATLAB, utiliza un modelo de formulación de LCC y LCA ambientales e incorpora datos de la base de datos Ecoinvent, del software OpenLCA y de otras bases de datos públicas. Los resultados obtenidos gracias a la optimización proporcionan información sobre las combinaciones de países más eficaces para obtener materias primas para la producción de baterías de NiZn y gestionar los residuos de las baterías que no se pueden reciclar. Los KPI de sostenibilidad, como el impacto del calentamiento global y los costes de capital, se vinculan automáticamente a los resultados, lo que garantiza su reproducibilidad ante actualizaciones de datos o cambios en las ubicaciones de producción y reciclaje establecidas inicialmente en París (Francia) y Krefeld (Alemania). El proceso de validación implica un análisis de sensibilidad para garantizar la solidez de los parámetros matemáticos y considerar las futuras variaciones del mercado, así como el uso del proceso jerárquico analítico (AHP) para validar los resultados mediante interacciones humanas. En el futuro, se sugiere incluir las fases de fabricación y de uso en el modelo de optimización para mejorar aún más la sostenibilidad y la eficiencia de las baterías de NiZn.
Como conclusiones más importantes de este trabajo, se pueden señalar las siguientes:
- El estudio optimizó el ciclo de vida, el impacto ambiental y el coste de las baterías de NiZn, utilizando los datos más recientes disponibles de los principales productores y de los centros de tratamiento de residuos.
- La optimización por enjambres de partículas multiobjetivo (MOPSO) se consideró más adecuada que el algoritmo genético (GA) para la optimización multiobjetivo, debido a su mayor eficiencia y eficacia.
- El análisis tuvo en cuenta 14 flujos de materiales, una línea de eliminación de residuos y varias ubicaciones del mundo con costes e impactos ambientales distintos, lo que puso de relieve la complejidad del proceso de optimización.
- Mediante el MOPSO, se identificaron las ubicaciones óptimas de los proveedores de materias primas con coste e impacto medioambiental mínimos, así como las ubicaciones de eliminación de residuos de materiales no reciclables.
- Se recomendaron países proveedores óptimos para los diferentes materiales, haciendo hincapié en la importancia de tomar decisiones estratégicas de abastecimiento para reducir el impacto ambiental y los costes.
- El modelo de IA demostró su solidez al alinearse con los resultados del proceso jerárquico analítico (AHP) y su resiliencia frente a las fluctuaciones del mercado en el análisis de sensibilidad.
- El estudio hizo hincapié en la necesidad de contar con módulos de programación dinámicos para estimar los indicadores clave de rendimiento (KPI) de sostenibilidad y validar los resultados de la optimización, especialmente en las fases de adquisición de materias primas y de eliminación de residuos.
- La validación mediante el AHP reveló similitudes y diferencias entre la IA y los resultados de encuestas a un panel de expertos, lo que puso de manifiesto la eficacia del modelo de IA en la toma de decisiones estratégicas para el abastecimiento y la gestión de residuos.
- El documento concluyó destacando la importancia de incorporar las fases de fabricación y uso en los futuros modelos de optimización para mejorar aún más la sostenibilidad y la eficiencia de las baterías de NiZn.
Abstract:
This study aims to optimize the Environmental Life Cycle Assessment (LCA) and Life Cycle Cost (LCC) of NiZn batteries using Pareto Optimization (PO) and Multi-objective Particle Swarm Optimization (MOPSO), which combine Pareto optimization and genetic algorithms (GA). The optimization focuses on the raw material acquisition and end-of-life phases of NiZn batteries to improve their sustainability Key Performance Indicators (KPIs). The optimization methodology, programmed in MATLAB, is based on an LCC formulation and an environmental LCA, using data from the Ecoinvent database, the OpenLCA software (V1.11.0), and other public databases. Results provide insights into the best combination of countries for acquiring raw materials to manufacture NiZn and for disposing of waste from NiZn batteries that cannot be recycled. These results were automatically linked to sustainability KPIs, such as global warming and capital costs, and are replicable in case of data updates or changes in production or recycling locations, which were initially considered in Paris (France) and Krefeld (Germany), respectively. These results from an AI model were validated using a sensitivity analysis and the Analytical Hierarchy Process (AHP) by an expert panel. The sensitivity analysis ensures the robustness of the mathematical parameters and future market variations; on the other hand, the AHP validates the Artificial Intelligence (AI) results through interactions with human factors. Further developments should also consider the manufacturing and use phases in the optimization model.
Keywords:
LCCA; LCA; MOPSO; genetic algorithms; AHP; sustainability KPIs; AI; NiZn batteries
Reference:
MALVIYA, A.K.; ZAREHPARAST MALEKZADEH, M.; SANTARREMIGIA, F.E.; MOLERO, G.D.; VILLALBA-SANCHIS, I.; MARTÍNEZ-FERNÁNDEZ, P.; YEPES, V. (2024). Optimization of the Life cycle cost and environmental impact functions of NiZn batteries by using Multi-Objective Particle Swarm Optimization (MOPSO). Sustainability, 16(15):6425. DOI:10.3390/su16156425
