AI и директен улов на CO₂: урокът от Кения

Когато една технология струва средно почти 450 долара на тон (директен улов от въздуха, DAC), а въглеродът в големи пазари се търгува около 84 долара на тон, не говорим за „скъп старт“ — говорим за структурен проблем. И точно затова Кения е толкова интересна: не обещава магия, а предлага рядка комбинация от евтина възобновяема енергия, подходяща геология за трайно съхранение и реална индустриална амбиция.

В района на езерото Наиваша, в Голямата рифтова долина, стартиращи компании тестват директен улов на CO₂, захранван от геотермална енергия. Има и по-голям залог: идеята за „Great Carbon Valley“ — екосистема, която да привлече DAC, съхранение на въглерод и други енергоемки „зелени“ индустрии.

Тази публикация е част от серията „Изкуствен интелект в енергетиката и устойчивото развитие“. Ще застана на ясна позиция: ако DAC ще има шанс да стане работещ инструмент за климата и бизнеса, AI е задължителен слой — за измерване, оптимизация, надеждност и доверие. Без него рискуваме да финансираме скъпи прототипи, които трудно доказват ефект и още по-трудно печелят купувачи.

Защо Кения може да е „естествена лаборатория“ за DAC

Ключовата идея е проста: DAC е енергоемък, а най-болезнените му проблеми са цената и въглеродният отпечатък на самия процес. В Кения има два фактора, които променят сметката.

Първо, геотермалните централи в рифта вече дават около една четвърт от електричеството на страната, а част от енергията (особено топлина) остава „неоползотворена“. Това е важно, защото DAC системите не са само вентилатори и помпи — те имат нужда от топлина за регенерация на сорбента (например 80–100°C при аминни системи).

Второ, подземната геология в региона е богата на базалт, който може да минерализира CO₂ — да го превърне в стабилни карбонати (като калцит и магнезит). Това е различна категория устойчивост на съхранението спрямо много „природни“ компенсаторни схеми, които напоследък се компрометират от спорове за допълнителност, мониторинг и реални резултати.

Тук AI влиза естествено: когато имаш добра енергия и добра геология, следващото ограничение е операционната ефективност и доказуемостта. А това са проблеми на данни.

Как работи директният улов — и къде AI има най-голям ефект

DAC не е мистерия: въздухът минава през материал (сорбент), който „хваща“ CO₂, после сорбентът се регенерира с топлина/вакуум и CO₂ се събира.

В кенийския пример (Octavia Carbon) системата използва аминен сорбент. CO₂ реагира с него, а после при нагряване във вакуум (около 80–100°C) газът се освобождава и се подготвя за компресиране и инжектиране. Единичните прототипи са с капацитет около 60 тона CO₂ годишно, което е малко — но целта на този етап е доказване, че работи в полеви условия и може да се мащабира модулно.

Оптимизация на цикъла: абсорбция ↔ регенерация

Най-лесният начин да „изгориш“ икономиката на DAC е да работиш с грешни времена и температури. AI моделите (дори сравнително прости) могат да оптимизират:

• Време за абсорбция според влажност, температура и скорост на въздуха
• Точка на регенерация (кога е по-евтино да загрееш и освободиш CO₂)
• Контрол на вакуума за минимална енергия при запазена чистота на газа
• Деградация на сорбента и планиране на подмяна

Практически подход: започва се с физически модел/симулация (digital twin), после се добавя машинно обучение върху реални телеметрични данни. В индустрията често работи комбинация от:

1. Модели за прогнозиране (например градиентни бустинг модели) за енергия на цикъл и улавяне
2. Оптимизация (например Bayesian optimization) за настройване на параметри
3. MPC контрол (Model Predictive Control) за стабилно управление на процеса

MRV: измерване, отчитане, верификация (там се печели доверието)

Пазарът на въглерод вече наказва „неясните“ кредити. При DAC залогът е още по-голям, защото цената е висока и купувачите искат сигурност.

AI може да подобри MRV по три начина:

• Аномалия детекция: откриване на отклонения в дебит, концентрации, температури, течове
• Сензорна фюжън: комбиниране на данни от CO₂ анализатори, масови разходомери, енергийни измервания
• Автоматизирани одит следи: стандартизирани отчети от телеметрията (кой параметър кога е бил, как е повлиял на улавянето)

Едно изречение, което е полезно за всеки мениджър по устойчивост: ако не можеш да измериш надеждно улавянето и съхранението, няма продукт за продажба — има експеримент.

„Great Carbon Valley“ като индустриален модел, не като лозунг

Идеята за Great Carbon Valley не е само PR. Тя е опит да се реши класическият проблем „кокошка–яйце“:

• Производителите на енергия не искат да строят повече капацитет без сигурно търсене.
• DAC и други енергоемки индустрии не искат да се местят без сигурна, евтина, чиста енергия.

Тук AI има и системна роля, не само „в машината“.

AI за планиране на мрежата и геотермалната интеграция

Кенийската мрежа е силно възобновяема, но все пак има реални ограничения и понякога се стига до рационално разпределение.

AI приложения, които дават бърза стойност:

• Прогнозиране на натоварването (къде и кога ще има нужда от електричество)
• Оптимизация на разпределението между индустрии, домакинства и нови консуматори (вкл. DAC)
• Предиктивна поддръжка на геотермална инфраструктура (помпи, турбини, топлообменници)

За компании, които мислят за инвестиции (включително извън Африка), това е важен урок: мащабирането на климатични технологии е проблем на енергийни системи и операции, не само на химия.

AI за избор на площадки и риск при съхранение

Инжектирането на CO₂ в базалт и минерализацията звучат „финално“, но реалният свят изисква мониторинг. AI модели върху геоложки и сензорни данни могат да подпомогнат:

• избор на най-подходящи зони за инжектиране
• ранно предупреждение при отклонения в налягане/микросеизмика
• оптимизация на дебита на инжектиране за стабилност

Това е точката, където технологичният оптимизъм трябва да бъде дисциплиниран: без сериозно наблюдение и доказуемост, социалното доверие се губи бързо.

Тежките въпроси: цена, търсене и социален лиценз

DAC има проблеми, които не се решават с презентации.

Икономиката: разликата в цената не е дребен детайл

Днес DAC е скъп. И когато търсенето на кредити се колебае (заради политически промени и отстъпление от корпоративни климатични ангажименти), рискът се увеличава. Някои големи проекти в САЩ вече усещат това чрез съкращения и несигурно финансиране.

AI може да намали разходите, но няма да ги „изтрие“. Реалистичният път е:

• оптимизация на енергията на тон CO₂
• по-висок uptime (по-малко непланирани спирания)
• по-евтин MRV процес (по-малко ръчен труд, по-малко спорни данни)

Социалният лиценз: без ползи за местните, проектът се чупи

В Голямата рифтова долина има дълга история на напрежение около геотермалната експанзия и разселване, особено за Maasai общности. Има и болезнена ирония: електричество се произвежда „от тези земи“, но хората около централите често нямат достъп до него.

Ако Great Carbon Valley и подобни инициативи искат да оцелеят, трябва да третират общността като реален партньор, не като „рисков фактор“ в таблица.

Ето как изглежда прагматичен минимум (и да — AI може да помогне и тук):

• Публични табла за прозрачност: производство, локално потребление, емисии, шум, качество на въздуха
• Обективни индикатори за полза: електрификация, здравни услуги, обучение и реални позиции (не само охрана)
• Механизми за жалби и реакция: време за отговор, проследимост, независима проверка

AI не решава политиката, но може да направи фактите видими и проверими. А това намалява пространството за манипулации.

Какво могат да вземат бизнесите от този пример (дори да не строят DAC)

Историята от Кения е полезна за компании в енергетиката, индустрията и устойчивото развитие, защото показва работещ шаблон: чиста енергия + индустриална цел + AI за управление = реална операционна ефективност.

Ето 5 конкретни идеи, които съм виждал да работят и извън DAC:

1. Постройте „данните“ преди мащаба: ако телеметрията е хаотична, мащабирате хаос.
2. Сложете MRV на равна нога с инженерния дизайн: доверие се печели с измерване.
3. Оптимизирайте за надеждност, не само за рекордни резултати: купувачите плащат за предвидимост.
4. Мислете като енергийна система: процесът, мрежата и поддръжката са една история.
5. Планирайте социалната стойност като KPI: „ще създадем работни места“ не е план; планът е позиции, обучение, заплати и достъп до електричество.

Какво следва: AI като „операционна истина“ за климатични технологии

Директният улов на CO₂ в Кения е смел експеримент, но по-голямото послание е друго: климатичните технологии вече се оценяват като индустриални системи — по ефективност, надеждност, разходи и доказуемост. Това е територията, в която изкуственият интелект в енергетиката и устойчивото развитие има най-силен смисъл.

Ако Great Carbon Valley успее, причината няма да е само геологията или геотермалната енергия. Ще е защото някой е направил трудното: измерил е резултатите, оптимизирал е процесите и е спечелил доверие — с данни, които издържат на проверка.

Къде бих искал да отиде разговорът през 2026? От „колко тонове обещаваме“ към „колко тонове доказваме — и какво получава местната общност срещу това“.