La gestión digital para administrar los riesgos en la industria química
DOI:
https://doi.org/10.23857/dc.v10i2.3811Palabras clave:
Digitalización, IoT, big data, inteligencia artificial, industria químicaResumen
El documento proporciona un análisis exhaustivo de la evolución y la implementación de la gestión digital de riesgos en la industria química. Comienza destacando la naturaleza crítica y compleja de la gestión de riesgos en esta industria debido a la presencia de compuestos químicos peligrosos y reacciones altamente exotérmicas. Históricamente, esta gestión se ha apoyado en enfoques tradicionales como el análisis de riesgos y las inspecciones periódicas. Sin embargo, con el avance de la tecnología digital, han surgido nuevas oportunidades para mejorar estos procesos. La digitalización, que incluye el uso de big data, inteligencia artificial y modelado avanzado, permite una comprensión más profunda y una capacidad mejorada para prevenir, detectar y responder a incidentes. La digitalización de la gestión de riesgos no solo transforma la manera de recopilar y analizar datos, sino que también mejora significativamente la eficiencia y precisión de estos procesos. Las tecnologías como los sensores en tiempo real y las plataformas de gestión de datos centralizadas permiten la automatización de la recopilación de datos y ofrecen una visión integral y actualizada de los riesgos. Esto se complementa con la implementación de sistemas de gestión de riesgos basados en la nube, que aportan ventajas en términos de accesibilidad, escalabilidad y seguridad de los datos. Estos sistemas facilitan la colaboración y la toma de decisiones informadas, fundamentales en la gestión proactiva de riesgos. La integración de tecnologías de IoT también juega un papel crucial en el monitoreo continuo y en la mejora de la respuesta ante situaciones de emergencia. No obstante, la adopción de la gestión digital de riesgos enfrenta desafíos específicos, como la seguridad cibernética y la calidad de los datos. La digitalización incrementa la vulnerabilidad a ataques informáticos y brechas de seguridad, lo que puede comprometer la integridad de los datos críticos. Por tanto, es esencial implementar medidas de seguridad robustas y garantizar la precisión y fiabilidad de los datos a través de procesos de validación y verificación. Además, la gestión de la privacidad y la protección de datos es crucial, requiriendo el cumplimiento de regulaciones como el GDPR y la CCPA. La superación de estos obstáculos es vital para garantizar el éxito a largo plazo de la gestión digital de riesgos en la industria química, haciendo que las organizaciones no solo mejoren su eficiencia y seguridad, sino que también sostengan la viabilidad económica y la responsabilidad ambiental.
Citas
Biniecka, M., Campana, P., & Iannilli, I. (2005). The technological and economic management of the environmental variable in the pharmaceutical–chemical industry. Microchemical Journal, 79, 325–329. https://doi.org/10.1016/J.MICROC.2004.10.002
Boykin, R., & Levary, R. (1989). Risk analysis using simulation for a chemical storage problem. Journal of Loss Prevention in The Process Industries, 2, 108–113. https://doi.org/10.1016/0950-4230(89)80007-5
Chacko, R., Gossler, H., Riedel, J., Schunk, S., & Deutschmann, O. (2023). Digitalization in Catalysis and Reaction Engineering: Automatizing Work Flows. Proceedings of the Conference on Research Data Infrastructure. https://doi.org/10.52825/cordi.v1i.412
Chiang, L. H., Lu, B., & Castillo, I. (2017). Big Data Analytics in Chemical Engineering. Annual Review of Chemical and Biomolecular Engineering, 8, 63–85. https://doi.org/10.1146/annurev-chembioeng-060816-101555
Choi, T., Chan, H., & Yue, X. (2017). Recent Development in Big Data Analytics for Business Operations and Risk Management. IEEE Transactions on Cybernetics, 47, 81–92. https://doi.org/10.1109/TCYB.2015.2507599
Ciborra, C. (2006). *Imbrication of Representations: Risk and Digital Technologies. Continental Philosophy EJournal. https://doi.org/10.1111/j.1467-6486.2006.00647.x
Culot, G., Fattori, F., Podrecca, M., & Sartor, M. (2019). Addressing Industry 4.0 Cybersecurity Challenges. IEEE Engineering Management Review, 47, 79–86. https://doi.org/10.1109/EMR.2019.2927559
Dellarco, V., Henry, T., Sayre, P., Seed, J., & Bradbury, S. (2010). Meeting The Common Needs of a More Effective and Efficient Testing and Assessment Paradigm for Chemical Risk Management. Journal of Toxicology and Environmental Health, Part B, 13, 347–360. https://doi.org/10.1080/10937404.2010.483950
Dickinson, B., & Wilkinson, D. (2019). Securing industrial systems in a digital world. The APPEA Journal. https://doi.org/10.1071/AJ18264
Fracaro, S. G., Chan, P., Gallagher, T., Tehreem, Y., Toyoda, R., Bernaerts, K., Glassey, J., Pfeiffer, T., Slof, B., Wachsmuth, S., & Wilk, M. (2021). Towards design guidelines for virtual reality training for the chemical industry. Education for Chemical Engineers. https://doi.org/10.1016/J.ECE.2021.01.014
Gavish, N., Gutiérrez, T., Webel, S., Rodríguez, J., Peveri, M., Bockholt, U., & Tecchia, F. (2015). Evaluating virtual reality and augmented reality training for industrial maintenance and assembly tasks. Interactive Learning Environments, 23, 778–798. https://doi.org/10.1080/10494820.2013.815221
Grutters, M., Shetty, S., Brown, W., Dunn, R., & Coadey, B. (2019). Automation in Upstream Production Chemicals: Learning from Downstream. Day 4 Thu, March 21, 2019. https://doi.org/10.2118/195112-MS
Gunasekaran, A., Papadopoulos, T., Dubey, R., Wamba, S., Childe, S., Hazen, B. T., & Akter, S. (2017). Big data and predictive analytics for supply chain and organizational performance. Journal of Business Research, 70, 308–317. https://doi.org/10.1016/J.JBUSRES.2016.08.004
Hernandez, I., & Zhang, Y. (2017). Using predictive analytics and big data to optimize pharmaceutical outcomes. American Journal of Health-System Pharmacy?: AJHP?: Official Journal of the American Society of Health-System Pharmacists, 74 18, 1494–1500. https://doi.org/10.2146/ajhp161011
I, Y.-P., & Cheng, T.-L. (2008). The development of a 3D risk analysis method. Journal of Hazardous Materials, 153 1-2, 600–608. https://doi.org/10.1016/J.JHAZMAT.2007.09.003
Khan, F., Amyotte, P., & Adedigba, S. (2021). Process safety concerns in process system digitalization. Education for Chemical Engineers, 34, 33–46. https://doi.org/10.1016/j.ece.2020.11.002
Kumar, V., Carberry, D., Beenfeldt, C., Andersson, M., Mansouri, S., & Gallucci, F. (2021). Virtual reality in chemical and biochemical engineering education and training. Education for Chemical Engineers. https://doi.org/10.1016/J.ECE.2021.05.002
Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). A critical review of virtual and augmented reality (VR/AR) applications in construction safety. Automation in Construction, 86, 150–162. https://doi.org/10.1016/J.AUTCON.2017.11.003
Manca, D., Brambilla, S., & Colombo, S. (2013). Bridging between Virtual Reality and accident simulation for training of process-industry operators. Adv. Eng. Softw., 55, 1–9. https://doi.org/10.1016/j.advengsoft.2012.09.002
Mani, V., Delgado, C. J. M., Hazen, B. T., & Patel, P. (2017). Mitigating Supply Chain Risk via Sustainability Using Big Data Analytics: Evidence from the Manufacturing Supply Chain. Sustainability, 9, 608. https://doi.org/10.3390/SU9040608
Moore, D., Ruffle, B., McQueen, A., Thakali, S., & Edwards, D. (2022). Frameworks for screening and risk management of chemicals and advanced materials: A critical review. Integrated Environmental Assessment and Management, 19. https://doi.org/10.1002/ieam.4590
Sadiku, M., Musa, S., & Musa, O. (2018). Cybersecurity for Chemical Industry. PSN: Security & Safety (Topic). https://doi.org/10.2139/ssrn.3267292
Saquicela, J. L. S.-., Heredia, J. R. B.-., Heredia, M. A. M.-., Salinas, L. D. R. de L. A., Fernández, R. E. C., Parra, M. Ángel V., Burgos, J. G. C., Acurio, J. A. G., Mina, M. G. G. C., & Quiñónez, B. F. C. (2022). Diseño de un sistema de monitorización de la calidad de aire, basado en una red sensorial y técnicas de IOT para la ciudad de Esmeraldas / Projeto de um sistema de monitoramento da qualidade do ar baseado em uma rede de sensores e técnicas IOT para a cidade de Esmeraldas. Brazilian Applied Science Review, 6(2), 692–730. https://doi.org/10.34115/basrv6n2-020
Schlegel, G. (2014). Utilizing Big Data and Predictive Analytics to Manage Supply Chain Risk. Journal of Business Forecasting, 33, 11.
Shah, V. S. (2017). Emerging Paradigms of Managing Digital Business: In Association with Factoring Incremental Risks. Journal of Advanced Management Science, 5, 1–8. https://doi.org/10.18178/JOAMS.5.1.1-8
Singh, A. V., Bansod, G., Mahajan, M., Dietrich, P., Singh, S. P., Rav, K., Thissen, A., Bharde, A. M., Rothenstein, D., Kulkarni, S., & Bill, J. (2023). Digital Transformation in Toxicology: Improving Communication and Efficiency in Risk Assessment. ACS Omega, 8, 21377–21390. https://doi.org/10.1021/acsomega.3c00596
Tixier, A. (2013). Teaching construction hazard recognition through high fidelity augmented reality. https://doi.org/10.18260/1-2–22524
Volokhova, L. (2021). PRIORITIES AND CHALLENGES OF INTRODUCTION OF DIGITAL INNOVATIONS IN THE FIELD OF FINANCIAL SERVICES. https://doi.org/10.32782/2415-8801/2021-1.14
Wilbraham, L., Mehr, S. H. M., & Cronin, L. (2020). Digitizing Chemistry Using the Chemical Processing Unit: From Synthesis to Discovery. Accounts of Chemical Research. https://doi.org/10.1021/acs.accounts.0c00674
Wolf, E. M. (2013). Stochastic simulation of optimal insurance policies to manage supply chain risk. 2013 Winter Simulations Conference (WSC), 1793–1804. https://doi.org/10.1109/WSC.2013.6721560
Ying, Y. (2023). Research on Risk Calculation in Chemical Production Processes Based on Dynamic Bayesian Networks. 2023 IEEE 14th International Conference on Software Engineering and Service Science (ICSESS), 33–37. https://doi.org/10.1109/ICSESS58500.2023.10293090
You, F., Wassick, J., & Grossmann, I. (2009). Risk Management for a Global Supply Chain Planning Under Uncertainty?: Models and Algorithms. Aiche Journal, 55, 931–946. https://doi.org/10.1002/AIC.11721
Zaikovsky, V., & Karev, A. (2021). An automated risk management system as a step towards digitalization of decision making. 18, 52–59. https://doi.org/10.32686/1812-5220-2021-18-2-52-59
Zoidze, D., & Gubarev, O. (2021). Evolution of Approaches to Risk Management in Organizations. Business Inform, 4, 276–285. https://doi.org/10.32983/2222-4459-2021-4-276-285
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Karla Lilibeth Cevallos Angulo
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Authors retain copyright and guarantee the Journal the right to be the first publication of the work. These are covered by a Creative Commons (CC BY-NC-ND 4.0) license that allows others to share the work with an acknowledgment of the work authorship and the initial publication in this journal.
