AI och membran kan kapa energin i oljeraffinering

Ungefär 6 % av världens CO₂-utsläpp kopplas till att separera råolja till produkter som bensin, diesel och eldningsolja. Det är en siffra som borde få fler än klimatstrateger att spetsa öronen – för det handlar inte bara om utsläpp, utan om ren energiförlust i form av värme som blåses rakt ut ur raffineringsindustrins skorstenar.

Most companies get this wrong: de tittar på raffinaderier som “svåra att ställa om” och går vidare. Men effektivisering i tunga processer är ofta där de snabbaste utsläppsminskningarna finns – särskilt när ny kemi och AI för energioptimering börjar mötas.

En studie från MIT (publicerad i Science 2025) beskriver en ny membranteknik som kan separera råoljans komponenter efter molekylstorlek i stället för kokpunkt. Det är inte bara en ny komponent i processindustrin. Det är ett nytt sätt att tänka kring separation – och ett skolboksexempel på var AI kan förstärka effekten genom styrning, prediktion och optimering.

Varför råoljefraktionering slukar energi

Kärnan är enkel: dagens raffinaderier använder främst destillation. Man hettar upp råoljan och låter olika fraktioner kondensera vid olika temperaturer. Det funkar stabilt och är väl beprövat – men energimässigt är det brutalt.

Destillation kräver:

• Höga temperaturer (stora mängder ånga och bränsle)
• Stora kolonner och omfattande värmeåtervinning
• Drift som ofta optimeras “good enough” snarare än exakt, eftersom variationen i råolja och efterfrågan är konstant

Det är därför forskare länge tittat på membran. Potentialen är stor: i artikeln lyfts en uppskattning att membran kan minska energibehovet med cirka 90 % jämfört med värmedrivna processer för motsvarande separation.

Den praktiska haken har varit materialvetenskap: membran som släpper igenom kolväten snabbt tenderar att svälla när organiska ämnen absorberas, vilket förstör selektiviteten.

MIT:s polyiminmembran: separation efter molekylstorlek

Den direkta nyheten är detta: MIT-teamet har tagit en tillverkningsteknik som redan är standard i vattenrening – interfaspolymerisation – och anpassat kemin för kolväten.

Vad är det som är nytt i materialet?

De flesta försök tidigare har fokuserat på porösa polymerer som PIM-1 (polymers of intrinsic microporosity). Problemet är att de ofta blir “för bekväma” med lösningsmedel och kolväten, suger upp dem och sväller.

MIT:s grepp:

1. Byta kemisk bindning: från amidbindning (vanligt i omvänd osmos-membran) till en iminbindning.
2. Göra materialet styvare och mer hydrofobt, så kolväten passerar utan att filmen sväller nämnvärt.
3. Tillsätta en monomer (triptycen) som är formstabil och hjälper till att skapa porer i “rätt” storlek för kolväten.

Resultatet är ett tunt polyiminmembran som kombinerar två saker som sällan sitter ihop: hög genomströmning och stabil selektivitet.

Vad visar testerna?

Forskarna demonstrerar separation på två sätt:

• En benchmark-blandning (toluen och triisopropylbensen) där membranet gav 20 gånger högre koncentration av toluen i permeatet jämfört med ursprungsblandningen.
• En industriellt relevant blandning (nafta, fotogen/kerosen, diesel) där membranet kunde separera lättare och tyngre komponenter efter molekylstorlek.

Det här är viktigt av ett raffinaderiperspektiv: råolja är en komplex soppa och all separation sker i flera steg. Ett membran behöver därför fungera i kaskad – flera membransteg som gradvis ökar renheten. Studien pekar just på detta upplägg.

Där AI kommer in: från labbmembran till verklig klimatnytta

Membran i sig sparar energi genom att minska behovet av upphettning. Men den riktigt stora effekten kommer när man driver processen smart. Raffinaderier har redan enorma mängder data – men ofta används de mer för rapportering än för beslutsstöd i realtid.

Här är den tydliga kopplingen till vår serie “AI inom energi och hållbarhet”: när en ny separationsprincip införs förändras styrproblemen, och AI blir en praktisk nödvändighet för att få ut maximal verkningsgrad.

1) AI för processoptimering i membrankaskader

En membrankaskad innebär många beslut:

• vilka tryck och flöden per steg?
• hur balanserar man genomströmning mot selektivitet?
• när ska man recirkulera en ström och när ska man gå vidare?

Klassisk reglerteknik klarar mycket, men AI-modeller (t.ex. avancerad prediktion med tidsserier, fysikinformerade modeller och optimeringsalgoritmer) kan förbättra tre saker samtidigt:

• Energiförbrukning per ton produkt
• Produktutbyte (mindre “giveaway” och spill)
• Stabilitet vid råoljevariation (feedstock är sällan konstant)

En bra tumregel: ju mer icke-linjär och kopplad processen är, desto mer betalar sig maskininlärning i övervakning och styrning.

2) Prediktivt underhåll: AI mot fouling och prestandatapp

Alla membranprocesser brottas med risken för fouling (beläggningar) och gradvis prestandaförändring. Även om materialet inte sväller kan verklig råolja innehålla komponenter som påverkar ytan över tid.

AI kan göra det konkret:

• lära normalbeteende för tryckfall och flöden
• flagga tidiga avvikelser innan operatören ser dem
• optimera rengöringsintervall (CIP) så man inte rengör för ofta (slitage) eller för sällan (energitapp)

Det här är ofta den snabbaste vägen till ROI i processindustrin: mindre oplanerade stopp och mer jämn kvalitet.

3) Utsläppsstyrning och rapportering som faktiskt går att lita på

Om fraktionering står för en stor del av raffinaderiets energianvändning blir effekten av effektivare separation direkt synlig i klimatbokslutet. Men bara om man mäter rätt.

AI-baserad miljöövervakning kan koppla ihop:

• energibärare (gas, el, ånga)
• processdata (temperatur, tryck, flöden)
• emissionsfaktorer och driftlägen

…och skapa verifierbara, granulara utsläppsnyckeltal per produktbatch. Det är guld värt när kunder kräver spårbarhet och när EU-regelverk pressar på för mer detaljerad rapportering.

Är det här ett steg bort från hållbarhet – eller ett steg mot den?

Den invändning jag hör oftast är: “Varför effektivisera fossilindustrin?” Jag fattar den reflexen, men den är för enkel.

Det här är min ståndpunkt: vi behöver både elektrifiering och effektivisering. Under övergången kommer raffinaderier och petrokemi fortsatt leverera material, bränslen och insatsvaror. Att då låta en process som står för procentnivåer av globala utsläpp fortsätta vara onödigt energislösande är inte ett moraliskt ställningstagande – det är bara ineffektivt.

Dessutom spiller tekniken över. Membran som kan separera komplexa organiska blandningar öppnar för liknande principer i:

• återvinning av lösningsmedel i kemisk industri
• uppgradering av biobaserade råvaror
• separationssteg i batterikemi och materialproduktion

Med andra ord: även om drivkraften råkar komma från en “gammal” industri kan resultatet bli verktyg för den nya.

Så kan ett bolag börja: från idé till pilot på 90 dagar

Om du jobbar med energi, hållbarhet eller digitalisering i processindustri: här är ett upplägg jag har sett fungera när man vill testa AI-kopplade effektiviseringar utan att fastna i powerpoint.

1. Välj en flaskhals med tydlig energikostnad
   • fraktionering, ångsystem eller värmeväxlarnät
2. Kartlägg dataläget på två veckor
   • vilka sensorer finns, datakvalitet, historik, driftlägen
3. Bygg en “digital baslinje”
   • energiförbrukning per ton produkt, variation per råoljeblandning
4. Simulera ett membransteg som scenarie
   • inte som exakt design, utan som energipotential och påverkan på kvalitet
5. Sätt upp en AI-modell för prediktion och optimering
   • målet är beslutsstöd: “om vi kör så här, händer detta”

Poängen är inte att du ska bygga ett raffinaderi i mjukvara. Poängen är att skapa ett underlag som gör pilotbeslutet rationellt.

Snippet att bära med sig: Membran minskar behovet av värme. AI minskar behovet av gissningar.

Vad händer härnäst?

MIT:s membran är lovande av två skäl: energifokuset (potentiellt drastiskt lägre energibehov) och tillverkningsspåret (interfaspolymerisation är redan industrialiserat inom vattenrening). Det sänker tröskeln från labb till pilot.

Men nästa kapitel handlar mindre om kemin och mer om systemet: processintegration, foulingstrategier, kaskad-design, kvalitetssäkring – och ja, AI för processoptimering och miljöövervakning som binder ihop allt.

Om du ansvarar för energikostnader, klimatmål eller digital transformation i processindustrin: vilka separationssteg i din verksamhet skulle ge störst effekt om du kunde byta “koka och kondensera” mot “filtrera och styra”?