AI-optimerad soldriven avsaltning utan dyra batterier

Vattenbrist är inte ett framtidsscenario – det är ett driftsproblem här och nu. World Resources Institute har pekat ut att sötvatten blir allt mer knapphändigt de kommande åren, samtidigt som efterfrågan ökar från hushåll, industri och jordbruk. Och när vatten väl blir en bristvara blir energifrågan direkt inblandad: varje liter rent vatten kräver energi, styrning och robust teknik.

Det är därför soldriven avsaltning är så lockande. Men de flesta system faller på samma detalj: solen levererar inte jämn effekt. Moln, kvällar, skuggning och säsongsvariationer gör att många prototyper levererar fint mitt på dagen – och sämre när man faktiskt behöver stabil drift.

En forskargrupp vid Rice University har utvecklat en teknik som angriper just den svagheten: ett membranfritt, soldrivet termiskt avsaltningssystem som återvinner värme och kan producera vatten även när solen går i moln. Det intressanta, i vår serie AI inom energi och hållbarhet, är nästa steg: hur AI kan styra och optimera sådana system i realtid så att produktionen blir mer förutsägbar, billigare och mer användbar off-grid.

Varför intermittens är flaskhalsen i soldriven avsaltning

Intermittens är huvudorsaken till att många soldrivna vattenlösningar stannar vid pilotnivå. Tekniken kan ofta nå bra verkningsgrad under idealiska förhållanden, men i verkligheten krävs stabilitet: människor behöver vatten på kvällen, sjukvård behöver vatten när som helst, och små samhällen har sällan råd att dimensionera allt för “solig topp”.

Problemet i praktiken: överskottsvärme och underskott senare

I termisk avsaltning går processen i korthet ut på att:

1. värma salt eller förorenat vatten så att vatten avdunstar,
2. låta ångan kondensera till rent vatten,
3. lämna salter och föroreningar kvar.

Det energimässigt viktiga är att avdunstning “kostar” energi och kondensation frigör energi. Om du kan fånga den energin och återanvända den blir systemet mycket effektivare.

Många lösningar försöker hantera solens variation med extern energilagring (batterier, termiska lager, fasförändringsmaterial). Det fungerar – men det blir ofta dyrt, mer komplext och mer underhållskrävande.

Varför membran ofta är en svag punkt

Dagens storskaliga avsaltning domineras av omvänd osmos (RO). Det är effektivt i många fall, men:

• membran kan beläggas (fouling) och tappar prestanda,
• membran degraderas över tid, vilket driver OPEX,
• hög salinitet gör processen svårare och sänker återvinningsgrad.

RO har typiskt 35–50% vattenåtervinning från havsvatten, och resten blir hypersalt brine som måste hanteras. I off-grid-sammanhang är membran, kemikalier och reservdelar ofta en showstopper.

STREED: värmeåtervinning som “svänger” som en oscillator

STREED (Solar Thermal Resonant Energy Exchange Desalination) är byggt för att återvinna värme internt och klara solens variation utan externa lager. Forskningen beskriver ett membranfritt koncept som använder resonansprinciper – inspirerade av pendlar och elektriska kretsar – för att flytta energi effektivt mellan två motströmmar.

Så fungerar idén (utan att fastna i ekvationer)

Kärnan är två strömmar:

• en ström av uppvärmt saltvatten,
• en ström av luft som tar med sig vattenånga.

När flödena “tunas” rätt kan värmen pendla mellan strömmarna på ett sätt som gör att systemet lagrar och överför termisk energi i sitt eget flöde. Effekten: när solinstrålningen faller kan processen fortsätta längre med högre stabilitet.

Det är också en elegant designidé: istället för ett känsligt membran används luft som “separationsmedium”. Vatten avdunstar till luftflödet och kondenseras sedan i en värmeväxlare där energin kan återvinnas.

En bra tumregel: i termiska processer är den största vinsten nästan alltid bättre återvinning av latent värme, inte högre topptemperatur.

Prestanda som sticker ut

I prototypform uppnåddes upp till 0,75 liter dricksvatten per timme i tester i San Marcos, Texas. I simuleringar över olika solprofiler (molnigare respektive soligare platser) presterade systemet 77% bättre vattenåtervinningseffektivitet jämfört med statiska flödeshastigheter under en representativ vecka.

Det här är en viktig signal: hög effektivitet verkar inte kräva “perfekt sol”. Det kräver rätt styrning.

Där AI gör störst skillnad: prediktion + styrning i realtid

AI är som bäst när den får styra ett system som redan har smart fysik. STREED bygger på att flöden behöver justeras efter solens skiftande effekt. Det är exakt den typ av problem där maskininlärning, prognoser och optimering ger praktisk nytta.

1) Prediktiv drift: låt systemet “veta” vad som kommer

I stället för att reagera på att solen plötsligt försvinner bakom moln kan man använda prediktion:

• korttidsprognoser (minuter till timmar) baserat på lokala sensorer,
• väderprognoser och molnrörelser,
• historiska produktionsmönster för platsen.

En enkel men effektiv modell kan vara en kombination av:

• en fysisk modell (energi- och massbalans),
• en ML-modell som korrigerar modellfel (t.ex. beläggning, vindpåverkan, verkliga värmeförluster).

Resultatet är att flöden (vatten/luft) kan ställas om innan tappet kommer, vilket ger jämnare vattenproduktion och högre energiutnyttjande.

2) Optimering av flöden: rätt resonans vid rätt tid

STREED bygger på resonansliknande energitransfer som kräver tuning. AI kan göra tuning kontinuerligt genom att optimera:

• vattenflöde,
• luftflöde,
• temperaturprofil,
• kondensationsgrad,
• och i praktiken: driftlägen för morgon, mitt på dagen, kväll.

Det här är ett klassiskt fall för model predictive control (MPC) där AI hjälper till med prediktion och parameteruppskattning.

Min ståndpunkt: om du inte har automatisk optimering kommer du att behöva överdimensionera hårdvara. Det är nästan alltid dyrare än bra styrning.

3) Underhåll utan membran – men inte utan data

Membranfritt betyder inte underhållsfritt. Även robusta material och kanaler kan få:

• scaling (saltutfällning),
• biofilm,
• minskad värmeöverföring,
• försämrad kondensation.

Med AI-baserad tillståndsövervakning kan man:

• upptäcka tidiga tecken på prestandatapp,
• rekommendera rengöringsintervall baserat på faktisk drift,
• skilja på “dålig sol” och “dålig värmeväxling”.

Det är leadsmässigt också ett av de tydligaste värdena: data + algoritmer som minskar OPEX.

Off-grid och robusthet: var tekniken faktiskt passar

Den mest realistiska vägen till värde är inte att ersätta stora RO-anläggningar direkt, utan att fylla glappen där central infrastruktur inte räcker.

Tydliga use cases

1. Öar och kustnära samhällen där dieselgeneratorer fortfarande används för vattenproduktion.
2. Katastrofberedskap (torka, översvämningar, störningar i dricksvattennät).
3. Industri och byggarbetsplatser med temporära behov och begränsad logistik.
4. Jordbruk i vattenstressade regioner där bräckt vatten kan vara enda källan.

Varför “hög salinitet” spelar roll

En stor praktisk fördel är att systemet kan hantera högsalta brines utan samma membranbegränsningar som RO. Det öppnar för:

• högre flexibilitet i råvattenkvalitet,
• mindre behov av kemikalier,
• färre stopp p.g.a. membranskador.

Men det betyder också att man måste tänka igenom brinehantering och lokala miljökrav. Hållbar avsaltning handlar lika mycket om restströmmar som om liter rent vatten.

Så kommer du igång: en praktisk checklista för AI-styrd avsaltning

Vill du utvärdera AI-optimerad soldriven avsaltning i en pilot? Börja med datan och driftmålen, inte med hårdvaran. Här är vad som brukar fungera.

Definiera mål som går att optimera

• Liter/dygn vid given solprofil
• kWh per liter (eller “solenergi per liter”)
• Drifttid utan manuell insats (t.ex. 7 dagar)
• Vattenkvalitet (konduktivitet/TDS) och stabilitet

Instrumentera minimalt men rätt

• Solinstrålning (global horizontal irradiance eller motsv.)
• Temperaturer in/ut för vatten och luft
• Flöden (vatten/luft)
• Kondensatflöde och kvalitet
• Enkla driftstatusar (ventiler, pumpar, larm)

Välj AI-ansats som matchar risknivån

1. Regelbaserad + prognos (snabbt, robust): justera flöden vid förväntade molnpassager.
2. MPC med hybridmodell (mest nytta): kombinerar fysik och ML-korrigering.
3. Reinforcement learning i begränsat driftutrymme (kraftfullt men kräver skyddsräcken): bra för fintrimning när du redan har säkerhetslogik.

Mät vad som faktiskt ger affärsvärde

• Minskad kostnad för extern energilagring
• Färre servicetimmar per månad
• Högre vattenproduktion vid “dålig sol”-veckor
• Förutsägbarhet: variation i liter/timme

Vad händer härnäst i “AI inom energi och hållbarhet”?

Soldriven avsaltning blir riktigt intressant när den kopplas till intelligenta energisystem. Tänk ett off-grid-mikronät där AI samordnar sol, batteri (om det finns), laststyrning och vattenproduktion. Då kan vatten bli en “flexibel last” som kör hårdare när energi finns och mjuknar när annat är prioriterat.

Jag tror att nästa stora steg inte är en magisk ny materialinnovation, utan driftsättning: fler fältpiloter, mer driftdata och bättre styrning. STREED visar att fysiken kan byggas smart och robust. AI kan göra den smarta fysiken användbar i verkligheten, timme för timme.

Om du skulle sätta en pilot i drift 2026: vill du optimera för maximal liter per dag, eller för minimal tillsyn och stabil kvalitet? Svaret avgör vilken AI-arkitektur du borde välja.