Hidrogen Putih, Mineralisasi Karbon & AI: Peluang Baharu Untuk Tenaga Malaysia

Pada 2023, beberapa kajian awal di Eropah menganggarkan potensi hidrogen semula jadi (hidrogen putih) global mencecah bertrilion tan, cukup untuk menyokong peralihan tenaga selama berdekad. Dalam masa yang sama, projek mineralisasi karbon di Iceland dan Oman menunjukkan lebih 90% CO₂ boleh diikat menjadi batu dalam tempoh kurang dua tahun.

Untuk pemain minyak & gas, terutama di Malaysia, fakta-fakta ini bukan sekadar menarik di atas kertas. Ia membuka satu soalan strategik: bagaimana jika sumber geologi ini digabungkan dengan keupayaan AI yang Petronas dan utiliti utama sudah bina – dari reservoir modelling hingga predictive maintenance?

Artikel ini mengupas konsep hidrogen putih dan mineralisasi karbon yang kini diuji di kawasan seperti ophiolite belt di Newfoundland, dan bagaimana teknologi geologi ini boleh berpadu dengan AI untuk mempercepat sasaran dekarbonisasi Malaysia, bukan menggantikan aset sedia ada tetapi mengoptimumkannya.

---

1. Apa Sebenarnya Hidrogen Putih & Mengapa Industri Tiba-Tiba Berminat?

Hidrogen putih ialah hidrogen yang terbentuk secara semula jadi dalam kerak Bumi – bukan dihasilkan di loji menggunakan gas asli (hidrogen kelabu/biru) atau elektrik boleh baharu (hidrogen hijau).

Di kawasan seperti ophiolite belt Newfoundland (seperti yang disentuh dalam artikel asal), batuan ultrabasa dari kerak lautan purba terangkat ke daratan. Apabila batuan ini berinteraksi dengan air, berlaku proses serpentinisasi yang melepaskan hidrogen secara berterusan.

Mengapa hidrogen putih sangat menarik?

Secara teori, ia ada beberapa kelebihan utama:

• Kos pengeluaran berpotensi jauh lebih rendah berbanding hidrogen hijau, kerana Bumi melakukan sebahagian besar “kerja pengeluaran” secara semula jadi.
• Jejak karbon sangat rendah, terutamanya jika pengeluaran digabungkan dengan penangkapan dan penyimpanan karbon yang berasaskan mineralisasi.
• Bekalan berterusan selama berjuta tahun jika rezervoarnya besar dan aliran semula jadi stabil.

Untuk sektor minyak & gas, ini bermakna:

Hidrogen putih boleh menjadi “play geologi baharu” – sama seperti penemuan medan minyak atau gas, tetapi dengan profil karbon yang jauh lebih rendah.

Malaysia mungkin belum ada kajian menyeluruh seperti Newfoundland, tetapi kita mempunyai kompleks batuan ultramafik di Sabah dan Sarawak, serta sejarah penerokaan geologi mendalam. Di sinilah AI mula memainkan peranan penting.

---

2. Mineralisasi Karbon: Dari CO₂ Berbahaya Kepada Batu yang Stabil

Mineralisasi karbon ialah proses di mana CO₂ bertindak balas dengan mineral kaya magnesium atau kalsium untuk membentuk karbonat pepejal – ringkasnya, menjadikan karbon “terkunci” sebagai batu.

Di kawasan ophiolite seperti di Newfoundland, Oman atau Iceland, batuan yang sama yang mengeluarkan hidrogen putih juga mampu mengikat CO₂ secara kekal. Ini mewujudkan kombinasi menarik:

• Hidrogen putih sebagai sumber tenaga rendah karbon
• Mineralisasi karbon sebagai sink CO₂ jangka panjang

Mengapa mineralisasi karbon sangat relevan untuk industri berat?

1. Kekal & sukar dibalikkan
   Berbanding storan CO₂ dalam formasi sedimen biasa, mineralisasi menjadikan CO₂ sebahagian daripada struktur batu. Kebocoran jangka panjang sangat minimum.

2. Sesuai untuk pelepasan sukar dikurangkan
   Sektor seperti simen, keluli, penapisan dan petrokimia masih akan mengeluarkan CO₂ walaupun kecekapan dipertingkat. Mineralisasi menyediakan destinasi akhir untuk karbon ini.

3. Boleh digabungkan dengan operasi sedia ada
   Untuk syarikat seperti Petronas, CO₂ dari loji LNG, penapisan atau kemudahan gas berasid boleh menjadi “umpan” kepada projek mineralisasi karbon serantau.

Di peringkat global, beberapa projek perintis menunjukkan potensi mengikat ratusan ribu tan CO₂ setahun dalam fasa awal, dengan skala berjaya meningkat dari tahun ke tahun.

---

3. Di Mana AI Masuk? Dari Peta Geologi Hingga Pelan Perniagaan

Realitinya: tanpa AI, potensi hidrogen putih dan mineralisasi karbon akan tinggal teori di atas laporan geologi. AI menjadikan kajian, pemilihan lokasi dan reka bentuk projek lebih pantas dan tepat.

3.1 AI untuk penerokaan hidrogen putih

Dalam siri “AI in Oil & Gas / Energy”, kita sering sebut tentang reservoir modelling untuk minyak dan gas. Keupayaan sama boleh disesuaikan untuk hidrogen putih:

• Integrasi data multi-sumber
  AI boleh menggabungkan data seismik, graviti, magnetik, log telaga lama, peta geologi permukaan dan imejan satelit untuk mengesan zon batuan ultrabasa yang berpotensi menghasilkan hidrogen.

• Model geokimia ramalan
  Model AI yang dilatih dengan data makmal serpentinisasi boleh menganggar kadar penghasilan hidrogen berdasarkan komposisi mineral, suhu dan kehadiran air bawah tanah.

• Pengurusan risiko penerokaan
  Bukannya menggerudi 10 telaga eksplorasi untuk “mencari” hidrogen, operator mungkin hanya perlu 3–4 telaga yang sangat disasarkan hasil ranking prospek oleh algoritma.

Untuk Malaysia, ini bermaksud:

Data geologi dan seismik sedia ada yang dikumpul selama beberapa dekad oleh Petronas dan rakan kongsi boleh diguna semula untuk “mencari” play hidrogen putih tanpa bermula dari kosong.

3.2 AI untuk mineralisasi karbon & CCS berasaskan batuan

Projek mineralisasi karbon memerlukan jawapan tepat bagi beberapa soalan kritikal: berapa banyak CO₂ boleh disuntik, berapa pantas ia bertukar menjadi mineral, dan bagaimana memastikan tiada impak negatif kepada air bawah tanah atau geomekanik.

AI boleh membantu dengan:

• Simulasi reaksi batuan-berasaskan data
  Model geokimia yang digabungkan dengan pembelajaran mesin boleh meramal kadar mineralisasi berdasarkan jenis batuan tempatan di Sabah, Sarawak atau Semenanjung.

• Pemantauan pintar
  Data dari sensor tekanan, suhu, fibre-optic, dan pemantauan seismik mikro boleh dianalisis secara masa nyata oleh AI untuk mengesan anomali sebelum menjadi masalah.

• Pengoptimuman lokasi & kadar suntikan
  AI boleh mengesyorkan senario suntikan CO₂ yang mengimbangi keselamatan, kelajuan mineralisasi dan kos operasi.

Ini selari dengan keupayaan sedia ada di Malaysia dalam AI untuk keselamatan dan pemantauan integriti telaga – cuma kali ini diaplikasikan pada “telaga karbon”.

---

4. Bagaimana Ini Boleh Jadi Relevan Untuk Malaysia Secara Praktikal?

Kebanyakan contoh hari ini datang dari Kanada, Eropah atau Timur Tengah. Tapi peluang untuk Malaysia bukan angan-angan jika kita susun langkahnya.

4.1 Pemetaan potensi hidrogen putih & batuan sesuai mineralisasi

Tindakan awal yang masuk akal untuk pemain seperti Petronas dan utiliti utama:

1. Audit data geologi & geofizik sedia ada
   – Kenal pasti kawasan batuan ultrabasa/ultramafik, terutamanya di Sabah dan Sarawak.
   – Kumpul semula laporan lama, sampel teras dan data telaga dalam satu data lake berpusat.

2. Bangun model AI penerokaan hidrogen putih
   – Latih model dengan data global yang diterbitkan (Newfoundland, Oman, dsb.) sebagai rujukan.
   – Sesuaikan dengan konteks tropika dan keadaan tektonik Malaysia.

3. Zonkan kawasan berkeutamaan tinggi
   – Tidak perlu terus menggerudi; mulakan dengan “desktop study” berasaskan AI untuk menentukan di mana kajian lapangan dan sample geokimia patut difokuskan.

4.2 Integrasi dengan strategi CCS & industri berat

Malaysia sudah membincangkan CCS di medan laut dalam dan kawasan luar pantai. Mineralisasi karbon boleh melengkapkan strategi ini:

• CO₂ dari kluster industri (penapisan, kilang petrokimia, loji janakuasa gas) boleh diangkut ke lokasi batuan yang sesuai di daratan.
• AI logistik & rangkaian boleh mengoptimumkan gabungan paip, pengangkutan lori atau kapal CO₂ berdasarkan jarak, volum dan kos.
• Model senario boleh membandingkan tiga laluan: CCS konvensional di bawah dasar laut, mineralisasi karbon di batuan daratan, atau gabungan kedua-duanya.

Bagi utiliti dan IPP (independent power producer), ini membuka peluang “hidrogen + CCS berasaskan mineral” sebagai pakej: tenaga lebih bersih untuk grid, dan penyelesaian karbon kekal untuk industri.

---

5. Di Mana AI Memberi Kelebihan Kompetitif, Bukan Sekadar Penjimatan Kos

Ramai organisasi melihat AI sebagai cara mengurangkan OPEX. Untuk topik seperti hidrogen putih dan mineralisasi karbon, AI sebenarnya lebih daripada itu – ia adalah alat untuk mengurangkan ketidakpastian dan mempercepat masa ke pasaran.

5.1 Dari kajian 10 tahun kepada pelan 3–5 tahun

Secara tradisional, memahami sistem geologi baharu memakan masa berdekad. Dengan AI:

• Analisis ribuan peta, laporan, log telaga dan data seismik boleh dipercepat dari tahun ke bulan.
• Senario pelbagai kombinasi kadar suntikan CO₂ dan respon batuan boleh disimulasikan secara maya sebelum satu pun telaga dibor.

Ini amat kritikal jika Malaysia mahu mencapai sasaran neutral karbon sekitar 2050, kerana projek hidrogen dan CCS besar selalunya memerlukan 10–15 tahun dari kajian awal ke operasi penuh.

5.2 Meletakkan Malaysia sebagai hab pengetahuan serantau

Jika pemain utama Malaysia mula menggabungkan AI + geologi hidrogen putih + mineralisasi karbon lebih awal, kita bukan sahaja mengurangkan jejak karbon domestik, tetapi berpotensi:

• Menjadi rujukan teknikal ASEAN untuk projek hidrogen semula jadi.
• Menawarkan perkhidmatan pemodelan AI, kajian geologi dan pemantauan kepada negara jiran.
• Menarik pelaburan bersama dari dana hijau antarabangsa yang mencari projek tenaga rendah karbon dengan asas saintifik kukuh.

Bukan semua projek akan berjaya. Tapi syarikat yang bermula awal dengan data dan AI akan mempunyai “learning curve advantage” yang sukar ditiru pesaing kemudian hari.

---

6. Langkah Seterusnya Untuk Pemain Minyak & Gas dan Utiliti di Malaysia

Jika anda terlibat dalam strategi, inovasi atau operasi di Petronas, TNB, Sabah/Sarawak Energy atau syarikat perkhidmatan tenaga, berikut rangka kerja praktikal yang saya cadangkan:

1. Bentuk pasukan kerja merentas fungsi
   Libatkan geologis, jurutera reservoir, pakar CCS, saintis data dan pasukan strategi korporat dalam satu task force khusus “Natural Hydrogen & Mineral Carbonation”.

2. Mulakan dengan “data-first pilot”
   – Pilih satu atau dua kawasan yang sudah banyak data geologi.
   – Gunakan platform AI sedia ada (yang sekarang digunakan untuk reservoir modelling minyak/gas) untuk menilai potensi hidrogen putih dan batuan untuk mineralisasi.

3. Rangka business case berperingkat
   – Fasa 1: kajian geologi & pemodelan AI (kos rendah, risiko teknikal sederhana).
   – Fasa 2: kajian lapangan & telaga uji berskala kecil.
   – Fasa 3: integrasi dengan rangkaian CO₂ industri dan pelan hidrogen negara.

4. Selarikan dengan sasaran ESG & pelaporan
   – Gunakan projek ini sebagai bukti tindakan konkretnya strategi ESG, bukan hanya komitmen umum.
   – AI boleh membantu menjejak pengurangan emisi, aliran CO₂ dan prestasi mineralisasi secara telus.

Pada 14/12/2025, tetingkap masa untuk kedudukan awal masih terbuka. Dalam 5–10 tahun lagi, banyak sumber hidrogen putih dan kawasan mineralisasi karbon terbaik mungkin sudah “dipegang” oleh konsortium antarabangsa.

Realitinya: siapa yang menguasai data, model AI dan aset geologi paling relevan menjelang 2030, dialah yang menguasai naratif tenaga rendah karbon seterusnya.

---

Penutup: Di Persimpangan Batuan, Karbon dan Algoritma

Hidrogen putih dan mineralisasi karbon bukan pengganti serta-merta kepada minyak dan gas, tetapi ia boleh menjadi lapisan baharu dalam portfolio tenaga Malaysia yang semakin hijau. Digabung dengan AI yang sudah matang penggunaannya dalam sektor minyak & gas – daripada predictive maintenance hingga reservoir modelling – gabungan ini memberi laluan yang lebih realistik ke arah dekarbonisasi mendalam.

Jika organisasi anda sedang menilai masa depan hidrogen, CCS dan AI, soalan yang wajar ditanya sekarang ialah:

“Bagaimana kita boleh menggunakan kekuatan AI sedia ada untuk mencari nilai baharu di bawah tanah – bukan hanya dalam bentuk hidrokarbon, tetapi juga hidrogen semula jadi dan batuan yang mengunci karbon?”

Jawapan yang jelas mungkin belum sempurna hari ini. Tetapi organisasi yang mula mencuba, membina model dan menguji hipotesis sekarang akan berada jauh di hadapan apabila hidrogen putih dan mineralisasi karbon beralih dari jurnal saintifik kepada pelaburan sebenar.