Grön nickel + AI: renare batterier och elnät

Nickel är en av de där råvarorna som sällan hamnar i rubrikerna – men som styr takten i elektrifieringen. Prognosen är att efterfrågan på nickel kan fördubblas till 2040 när transportsektorn och industrin går från fossilt till el. Samtidigt är den obekväma verkligheten att dagens nickelproduktion i storleksordningen kan släppa ut cirka 20 ton CO₂ per ton nickel. Det är svårt att kalla elektrifieringen “ren” om vi flyttar utsläppen från avgaspipen till smältverket.

Det är därför forskningsnyheten från Max Planck-institutet väcker uppmärksamhet: en metod för att ta fram grön nickel där kolbaserade reduktionssteg ersätts av väteplasma – i praktiken ett försök att göra nickelutvinning betydligt mindre fossilberoende, och dessutom mer energieffektiv när den drivs av förnybar el och grön vätgas.

Här blir kopplingen till vår serie ”AI inom energi och hållbarhet” tydlig. För även om processen är material- och processteknik, är det AI som kan göra den industriellt körbar i skala: genom prediktion, styrning, planering och transparens i leverantörskedjor. Jag har sett många hållbarhetsinitiativ falla på en och samma punkt: man underskattar systemet runt tekniken. Grön nickel är inget undantag.

Varför nickel riskerar att bli elektrifieringens flaskhals

Nickel är en nyckelkomponent i två jättemarknader: batterier (särskilt energitäta katodkemier) och rostfritt stål. Båda behövs när samhället elektrifieras: batterier för fordon och energilager, rostfritt för industri, infrastruktur och energisystem.

Problemet är dubbelt:

1. Volymproblemet: Mer elbilar, mer nätutbyggnad, mer lagring – mer nickel.
2. Utsläppsproblemet: Om nickel framställs med kolintensiva processer blir klimatnyttan från elektrifiering lägre än vad många räknar med.

Det finns också en tredje aspekt som ofta glöms bort i diskussionen: malmkvalitet. En stor del av världens reserver består av låghaltiga nickelmalmer som är kemiskt “krångliga” – nickel sitter bundet i komplexa mineralstrukturer. Traditionell utvinning blir då flerstegsmässig, dyr och energitung.

En mening som sammanfattar läget:

Om vi elektrifierar allt, men gör metallerna med fossil energi, har vi bara bytt ut problemet.

Vad “grön nickel” betyder i praktiken: väteplasma i ett steg

Kärnan i den nya metoden är enkel att beskriva men svår att genomföra: utvinn nickel i ett enda processteg genom att använda väteplasma i en elektrisk ljusbågsugn, i stället för kolbaserade reduktionsprocesser.

Varför ett steg spelar roll

I traditionella flöden för låghaltiga malmer sker flera separata moment – ungefär i stil med:

• kalcinering
• smältning
• reduktion
• raffinering

Varje steg kräver energi, ger förluster och bygger ofta på fossil värme eller reduktionsmedel. Den nya idén är att smältning, reduktion och raffinering kan ske samtidigt i samma reaktor och att man direkt kan få en raffinerad ferronickellegering.

Vad forskarna rapporterar (konkret)

Metoden uppges kunna:

• minska CO₂-utsläpp med cirka 84 % jämfört med konventionell produktion
• bli upp till 18 % mer energieffektiv när den drivs av förnybar el och grön vätgas
• utnyttja låghaltiga nickelmalmer, som utgör en stor del av reserverna

Det här är inte bara en klimatfråga. Det är en försörjningsfråga. Om fler malmtyper blir ekonomiskt och tekniskt användbara minskar trycket på ett fåtal högkvalitativa fyndigheter – och marknaden kan bli mindre sårbar.

Restprodukten är inte bara avfall

En detalj jag gillar med upplägget är synen på slaggen: om restmaterialet kan användas i exempelvis cement- och tegelproduktion skapas ett mer cirkulärt materialflöde. Det är exakt den typen av “biprodukt som blir råvara” som gör skillnad när man börjar räkna på helheten.

Var AI kommer in: från labbresultat till stabil industriprocess

Den stora frågan är inte om väteplasma fungerar i princip. Den stora frågan är: kan processen köras stabilt, säkert och kostnadseffektivt i industriell skala – dygnet runt?

Det är här AI har en konkret roll, inte som “nice to have” utan som en del av styrsystemet.

AI för processtyrning i realtid (stabilitet och kvalitet)

I uppskalning beskriver forskarna en utmaning: reduktionen sker vid reaktionsgränsytan. Det betyder att man måste säkerställa att “orörd” smälta hela tiden når rätt zon. De föreslår klassiska industrilösningar som korta ljusbågar med hög ström, elektromagnetisk omrörning eller gasinjektion.

AI kan göra detta mycket mer träffsäkert genom att:

• bygga prediktiva modeller för temperatur, ljusbågsstabilitet och reduktionsgrad
• optimera styrparametrar (ström, spänning, gasflöden, omrörningsintensitet) mot flera mål samtidigt: energi, utsläpp, metallutbyte och kvalitet
• upptäcka avvikelser tidigt via mönster i sensor- och kameradata (t.ex. spektralanalys av plasma, vibrationer, elektriska signaturer)

En bra tumregel: om processen har snabba förlopp och många beroenden är klassiska regelbaserade strategier ofta för trubbiga. Där passar maskininlärning och modellprediktiv styrning bättre.

AI för energiplanering: matcha elintensiv metallurgi med förnybart

Väteplasma och elugn betyder en sak: elektricitet blir den dominerande insatsvaran.

Sverige och Norden har en fördel här – stark elmix och växande förnybart – men variationer i pris och tillgång är fortfarande en realitet, särskilt vintertid.

AI kan användas för att:

• prognostisera elpris och effektbehov timme för timme
• styra produktion mot tider med lägre marginalutsläpp i elmixen
• optimera samkörning med vätgasproduktion (elektrolys) och lager

Praktiskt exempel: en anläggning kan ha ett “produktionsrecept” som justeras beroende på nätbelastning. När elen är billig och ren kör man hårdare, när den är dyr kör man lägre last eller fokuserar på andra steg. Det kräver data, prognoser och automatiserad beslutslogik.

AI i försörjningskedjan: spårbarhet som faktiskt går att använda

“Grön nickel” blir snabbt en marknadsfråga: batteritillverkare och industrikunder vill veta vad de köper. Det räcker inte att säga att processen är ren – man måste kunna visa det.

AI kan stötta genom:

• klassificering och riskanalys av leverantörer (ESG-data, incidenter, geografiska risker)
• bättre demand forecasting för nickel och katodmaterial så att man minskar panikinköp och onödiga lager
• automatisk livscykelberäkning (LCA) med uppdaterade emissionsfaktorer och produktionsdata

Min åsikt: spårbarhet utan analys blir en dyr rapport. Spårbarhet med AI blir ett beslutsstöd.

Vad betyder detta för batterier, rostfritt stål och energilagring?

Den direkta effekten av grön nickel är att en stor del av klimatpåverkan kan flyttas bort från materialledet – vilket är extra viktigt för batterier där material ofta dominerar utsläpp i tidiga livscykelfaser.

Batterier: lägre “inbyggda utsläpp” och stabilare råvaruflöden

Nickelrika batterikemier används när energitäthet är prioriterad, exempelvis i längre räckvidd och vissa tunga applikationer. Om nickelutvinningens utsläpp minskar kraftigt kan batteriets totalavtryck minska utan att man behöver ändra design eller användarbeteende.

Dessutom: om låghaltiga malmer kan användas effektivt får marknaden fler potentiella källor. Det är bra för både prisstabilitet och leveranssäkerhet.

Rostfritt stål: den underskattade klimatvinsten

Rostfritt stål hamnar överallt: livsmedelsindustri, processindustri, vatten, energi. Grön nickel kan därför ge en bredare industriell effekt än bara elbilar.

Den här kopplingen är viktig i svensk kontext, där industrins elektrifiering ofta diskuteras som “energifråga”. Materialfrågan kommer direkt efter.

Energilagring och nät: material blir en del av systemdesignen

När energilager byggs ut – från nätstöd till lokala batteriparker – blir det relevant att räkna på mer än inköpspris:

• klimatavtryck per lagrad kWh
• leveransrisk i material
• möjligheten att upphandla med krav på verifierad processdata

AI knyter ihop detta genom att kombinera materialdata med driftsdata och göra det möjligt att optimera för total nytta, inte bara för en KPI.

Vanliga följdfrågor (och raka svar)

Är väteplasma samma sak som att bara byta bränsle?

Nej. Poängen är att reduktionen inte drivs av kol, och att processen kan göras i ett steg med el som primär energibärare.

Räcker det med förnybar el för att kalla nickel “grön”?

Inte ensam. Du behöver även kontroll på vätgasens ursprung, processens verkningsgrad, samt uppföljning av biprodukter och leverantörsled.

Varför behövs AI om industrin redan kan styra ugnar?

För att uppskalning ger fler frihetsgrader och fler störningar: malmvariationer, elpriser, vätgasflöden, kvalitetskrav och underhåll. AI kan optimera över hela systemet samtidigt.

Nästa steg för företag som vill ligga före

Om du arbetar med energi, batterier, material eller industriell omställning finns en praktisk väg framåt redan nu:

1. Kartlägg nickelberoendet i produkter och leverantörskedja (volym, kvalitet, prisrisk, klimatdata).
2. Sätt upp ett dataspår: vilka process- och inköpsdata krävs för att kunna verifiera “grön nickel” i praktiken?
3. Bygg prognosmodeller för efterfrågan och pris – helst kopplat till produktionsplanering.
4. Identifiera AI-case i produktionen: prediktivt underhåll, energistyrning, kvalitetsprediktion, avvikelsedetektion.
5. Förbered upphandling: krav på mätbarhet (energi, utsläpp, spårbarhet) snarare än vaga hållbarhetsord.

Det här är exakt den typ av korsning mellan material, energi och data som gör “AI inom energi och hållbarhet” relevant på riktigt.

Grön nickel är inte en frälsning. Men det är en tydlig signal: elektrifieringen kommer att bedömas på sina materialval, inte bara på sina kilowattimmar. Företag som kombinerar ny processmetallurgi med AI-baserad styrning, prognoser och spårbarhet kommer att ha ett rejält försprång.

Vilken del av kedjan är din största flaskhals just nu – processenergi, råvarurisk eller brist på data att fatta beslut på?