Giftig biotjära till biokol: AI gör processen lönsam

Bioenergi har ett pinsamt ”skavsår” som många helst pratar tyst om: biotjära. Den där klibbiga, mörka vätskan som bildas när man värmebehandlar biomassa för att få energi och biokol. Den kan täppa igen rör, förstöra utrustning och skapa miljörisker om den hamnar fel. I praktiken blir den ofta en kostnadspost.

Här är grejen: biotjära behöver inte vara avfall. Forskning pekar mot att den kan omvandlas till biokol/biokarbon (bio-carbon) med egenskaper som räcker långt bortom ”vanligt” biokol – och som kan användas i allt från vattenrening till energilagring. Och om man kopplar på rätt sorts AI kan man dessutom göra processen mer kontrollerbar, energieffektiv och skalbar.

Det här inlägget är en del av serien ”AI inom energi och hållbarhet”. Jag vill visa hur en ganska nördig kemiprocess faktiskt blir ett konkret affärscase: mindre avfall, bättre klimatnytta och en ny produktportfölj – om man mäter rätt och styr smart.

Varför biotjära är ett problem – och varför den är intressant

Biotjära är ett driftproblem, men också en kemisk guldgruva. När biomassa (som skogsrester, halm eller annat organiskt material) hettas upp i pyrolys- och förgasningsprocesser får man tre huvudsakliga fraktioner: gas, fast kol (biokol) och en flytande fas där biotjära ingår.

I anläggningsvardagen är biotjära ofta det som:

• kladdar igen rör och filter
• sänker tillgängligheten (fler stopp, mer underhåll)
• ger svårhanterliga utsläpp om den inte samlas in korrekt
• stjäl energi eftersom man måste ”bli av med den” snarare än att skapa värde

Samtidigt innehåller biotjära en mix av syresatta organiska ämnen (t.ex. karbonyl- och furanstrukturer) som gärna polymeriserar – alltså länkar ihop sig till större, stabilare strukturer. Det som varit ett irritationsmoment kan med rätt styrning bli en kontrollerad väg till avancerade kolmaterial.

Det är den här vändningen som gör biotjära så spännande ur hållbarhets- och affärsperspektiv: man går från ”sanera ett problem” till ”bygg en produkt”.

Från biotjära till biokarbon: vad som faktiskt händer

Kärnan är polymerisering och karbonisering under styrda förhållanden. Forskningen beskriver hur man kan ta vara på biotjärans naturliga tendens att bilda större kolstrukturer och styra processen genom tre reglage:

1. Temperatur (hur snabbt och hur långt reaktionerna drivs)
2. Reaktionstid (hur mycket ”byggtid” strukturerna får)
3. Tillsatser/katalys (för att gynna vissa reaktionsvägar och dämpa andra)

Biokarbon är inte “bara biokol”

Biokarbon (bio-carbon) skiljer sig ofta från traditionellt biokol genom att ha:

• högre kolhalt
• lägre askhalt
• andra porstrukturer och ytkemi

Den skillnaden är avgörande. Porer, ytfunktioner och struktur påverkar om materialet blir bra som adsorbent, elektrodmaterial eller bränslekomponent.

Varför det är svårt i praktiken

Biotjära är kemiskt komplex och varierar med råvaran. Skogsflis, bark, jordbruksrester och olika processinställningar ger olika ”tjärrecept”. Det gör att polymerisering kan bli:

• för snabb (klumpar, igensättning)
• för okontrollerad (ojämna materialegenskaper)
• svår att skala (laboratorieresultat går inte direkt att köra industriellt)

Det är här AI passar in, inte som magi, utan som ett sätt att skapa stabilitet och repeterbarhet i något som annars blir hantverk.

Tillämpningarna som gör biokarbon värdefullt

Biokarbon blir intressant när den ersätter dyra eller fossila material i tydliga användningsfall. Det finns fyra spår som återkommer i forskningen och som också är mest realistiska för industriell adoption.

1) Vatten- och luftrening (adsorbenter)

Biokarbon kan binda tungmetaller och organiska föroreningar tack vare porositet och ytkemi. För svensk kontext är det lätt att se kopplingar till:

• rening av processvatten inom skogsindustri
• efterpolering av kommunala vattenströmmar
• saneringsprojekt där man behöver robusta sorbenter

Affärslogiken: om man kan producera ett adsorbentmaterial från en intern restström får man både kostnadsreduktion och minskat avfallsansvar.

2) Energilagring (superkondensatorer och elektroder)

Förnybar el kräver mer flexibilitet. Superkondensatorer är inte samma sak som batterier, men de är intressanta för snabba effektuttag, återvinning av bromsenergi och stabilisering i vissa system.

Kolmaterialets struktur (mikro-/mesoporositet, ledningsförmåga, ytfunktioner) avgör prestanda. Biokarbon kan designas för detta – men bara om processen går att styra exakt.

3) Katalys och katalysbärare

Industrin behöver katalysatorer som tål tuff drift och kan tillverkas mer hållbart. Biokarbon kan fungera som katalysator eller som bärare där aktiva metaller fästs. Det öppnar för kemiprocesser med lägre miljöavtryck jämfört med fossilbaserade alternativ.

4) Renare bränslen (ersätta kol, minska NOx/SOx)

Som bränslekomponent kan biokarbon ge lägre utsläpp av svavel- och kväveoxider jämfört med vissa fossila bränslen. Den stora klimatnyttan kommer när den faktiskt ersätter fossilt kol i industriella processer.

Det är också här man ofta ser de största ”systemeffekterna” i livscykelberäkningar: om ett biobaserat kol ersätter fossilt kol i stor skala blir CO₂-effekten massiv.

Där AI gör skillnad: från labbresultat till stabil industri

AI:s främsta roll här är att göra en variabel restström till en styrbar process. Jag brukar beskriva det som att AI inte uppfinner kemin – den gör den körbar varje dag, året runt.

1) Prediktiva modeller för materialegenskaper

Svar först: AI kan förutsäga biokarbonens egenskaper innan du producerar den.

Genom att mata modeller med data om:

• råvarans sammansättning (t.ex. lignin/cellulosa, fukthalt)
• processdata (temperaturprofiler, uppehållstid, tryck)
• kemiska fingerprint av biotjära (t.ex. spektradata)

…kan man bygga modeller som predikterar utfall som porositet, askhalt, kolhalt och adsorptionsprestanda. Då minskar behovet av att ”testa sig fram” i fullskala.

2) Realtidsoptimering och styrning

Svar först: AI kan styra bort från igensättning och mot jämn kvalitet.

I en anläggning är variation normen. Med sensorer och mjukvarustyrning kan man:

• upptäcka när tjäran börjar polymerisera ”fel” (risk för beläggning)
• justera temperatur och flöden innan driftproblem uppstår
• optimera mot en kvalitetsparameter (t.ex. specifik yta för adsorbenter)

Det är klassisk processindustri-nytta: mer drifttid, färre stopp, bättre marginal.

3) Digital tvilling för skalning

Svar först: en digital tvilling minskar risken när man går från pilot till industri.

Kombinationen av fysikaliska modeller (reaktionskinetik, värmeöverföring) och datadrivna modeller gör det möjligt att simulera scenarier:

• Hur påverkas materialkvalitet om råvaran byts från gran till tall?
• Vad händer med energibalansen om man kortar uppehållstiden 15 %?
• Vilken driftpunkt ger lägsta kostnad per kg biokarbon med given kvalitet?

Det här är särskilt relevant 2025–2026 när många energi- och industribolag pressas av både elpriser, kapacitetsfrågor och ökade krav på klimatrapportering.

4) LCA och ekonomisk optimering som beslutsstöd

Svar först: AI kan koppla ihop klimatnytta och lönsamhet i samma dashboard.

Om du vill sälja in en ny produktionslinje internt räcker det inte med ”det är hållbart”. Du behöver visa:

• nettoenergi (ger processen mer energi än den tar?)
• kostnad per ton produkt och per undviken ton CO₂
• känslighet (vad händer om råvarupriset stiger eller efterfrågan svänger?)

När man gör detta datadrivet går diskussionen från tyckande till beslut.

Så kan svenska aktörer komma igång: en praktisk färdplan

Det snabbaste sättet att skapa värde är att börja med mätbarhet och ett tydligt användningsfall. Här är en realistisk 90–180-dagars plan jag själv hade föreslagit i ett förstudieupplägg.

Steg 1: Kartlägg biotjäran som resurs (2–4 veckor)

• Volymer per vecka/månad
• Variation över säsong (vinterfukt, råvarumix)
• Driftproblem kopplade till tjära (stopp, rengöring, slitage)

Steg 2: Välj ett “första” produktmål (2 veckor)

Välj en applikation som matchar din verklighet:

• adsorbent för intern vattenrening
• bränslekomponent för intern värmeproduktion
• råmaterial för en kund i material/kemisegment

Poängen är att slippa jaga fem användningsfall samtidigt.

Steg 3: Bygg datapipelinen (4–8 veckor)

• sensordata från processen
• provtagning och laboratorieanalys (kvalitetsparametrar)
• strukturera data så att den går att använda i modellering

Steg 4: Träna en första modell och testa i pilot (8–12 veckor)

• prediktera kvalitet vs. driftparametrar
• kör kontrollerade tester med tydliga KPI:er

Bra första KPI:er brukar vara:

• minskade oplanerade stopp (antal/kvartal)
• stabilare produktkvalitet (lägre standardavvikelse)
• förbättrad energibalans (kWh per kg produkt)

Steg 5: Affärscase och beslut om skalning

• investeringsbehov
• förväntad payback
• klimatnytta per år

Det är först här man ska prata fullskala på allvar.

Vanliga frågor som dyker upp (och raka svar)

Är det här bara en forskningsidé?

Nej. Kemin är välmotiverad och tillämpningarna är konkreta, men skalning kräver processtyrning, kvalitetssäkring och marknadsmatchning. Det är en industrifråga lika mycket som en labbfråga.

Vad är den största risken?

Variationen i biotjära och svårigheten att styra polymerisering utan att få beläggningar, ojämn kvalitet eller för hög energikostnad.

Varför passar AI just här?

För att du har många variabler, mycket data och ett tydligt optimeringsproblem: maximal värdeprodukt med minimal driftstörning och låg klimatpåverkan.

Det här är ett av de tydligaste “waste-to-value”-casen just nu

Biotjära har länge varit den där jobbiga bieffekten som gör bioenergi mer komplicerat än broschyrerna lovar. Men när den omvandlas till biokarbon förändras kalkylen: avfall blir produkt, och processen kan dessutom stödja energilagring, rening och fossil substitution.

AI är det som gör övergången realistisk i vardagen. Inte för att AI är trendigt, utan för att den tar hand om variationen, hittar driftpunkter som människor missar och gör kvalitet repeterbar.

Om du jobbar med bioenergi, skogsindustri eller cirkulära flöden är frågan värd att ta på allvar: vilka restströmmar behandlar ni som problem idag – som egentligen borde behandlas som en råvara?