Sol, slam och AI: vägen till grön vätgas och foder

Det finns en siffra som borde få fler kommuner och energibolag att spetsa öronen: över 100 miljoner ton avloppsslam produceras globalt varje år – och volymen ökar. Samtidigt jagar vi fossilfria energibärare och robustare försörjningskedjor för foder. Här krockar två problem… och blir plötsligt en möjlighet.

Forskare vid Nanyang Technological University i Singapore har visat en solcellsdriven metod som förvandlar avloppsslam till grön vätgas och singelcellsprotein (protein från mikroorganismer) för djurfoder. Det här är inte bara en kul labbnyhet. Det är ett case som passar rakt in i serien AI inom energi och hållbarhet – för i praktiken är det AI som gör den här typen av komplexa system styrbara, säkra och ekonomiskt rimliga när man ska skala.

Varför avloppsslam är en energifråga (inte bara avfall)

Avloppsslam låter som en ren kostnadspost: svårt att hantera, ofta kontaminerat och politiskt känsligt. Och de vanligaste sätten att bli av med det – förbränning eller deponi – är energiintensiva och kan skapa nya miljöproblem.

Samtidigt innehåller slammet något vi normalt betalar dyrt för i andra sammanhang: organiskt kol, proteiner och kolhydrater. Problemet är att det ligger inbäddat i en stökig mix av vatten, partiklar, patogener och ibland tungmetaller. Det är alltså en resurs, men en resurs med ”friktion”.

Det är här cirkulär ekonomi blir konkret: i stället för att se slam som slutstation kan man se det som råvara till energi och biomaterial.

Svensk kontext: slam, acceptans och nyttan av transparens

I Sverige är slamfrågan ofta kopplad till tillit och spårbarhet (t.ex. vid spridning på åkermark). En teknik som både kan separera bort tungmetaller och samtidigt skapa tydliga, mätbara produkter (vätgas och protein) gör diskussionen mindre abstrakt.

Min erfarenhet är att acceptans ökar när man kan visa:

• vad som går in i processen (kvalitet på slam),
• vad som kommer ut (renhetsgrader, analyser),
• och hur risker övervakas kontinuerligt.

Det är exakt här AI-baserad miljöövervakning och datadriven rapportering blir ett praktiskt verktyg, inte ett powerpoint-ord.

Tekniken i korthet: tre steg från slam till vätgas och protein

Kärnan i forskarnas metod är en trestegsprocess som kombinerar mekanik, kemi, elektrokemi och biologi. Det viktiga är inte att varje del är ny i sig – utan att helheten är smart integrerad.

1) Mekanisk sönderdelning: gör råvaran processbar

Först bryts slammet ner mekaniskt så att innehållet blir mer tillgängligt. Det här steget är ofta underskattat: om förbehandlingen är dålig får du sämre utbyte i resten av kedjan.

AI-relevans: I full skala vill du optimera energiåtgången i förbehandlingen (pumpar, mixrar, kvarnar). Med maskininlärning på driftsdata kan man hitta driftpunkter som ger rätt partikelstorlek och viskositet utan att ”elda el” i onödan.

2) Kemisk separation: tungmetaller bort, organik kvar

Sedan används kemisk behandling för att separera tungmetaller från de organiska delarna (proteiner/kolhydrater). Det är en nyckel till att de efterföljande produkterna ska bli användbara och säkra.

AI-relevans: Här är sensordata (pH, konduktivitet, redox, metallhalter) avgörande. AI kan:

• upptäcka avvikelser (”den här slamsatsen är ovanligt metallrik”),
• styra dosering och kontakttider,
• minimera kemikalieanvändning och slamförluster.

3) Solcellsdriven elektrokemi + bakterier: vätgas och foder

I nästa steg använder man en solcellsdriven elektrokemisk process med specialiserade elektroder som omvandlar organiskt material till bland annat ättiksyra och vätgas.

Till sist tillsätts ljusaktiverade bakterier som omvandlar näringsinnehåll i vätskeströmmen till singelcellsprotein som kan användas som djurfoder.

Det är en elegant idé: vätgasen blir energibärare, proteinet blir ett nytt materialflöde – och du minskar mängden problematiskt avfall.

Resultaten som sticker ut – och varför de spelar roll

Labdata från studien är ovanligt konkreta och därför användbara även i strategiska diskussioner.

De viktigaste siffrorna:

• 91,4 % av det organiska kolet i slammet återvinns.
• 63 % av det organiska kolet blir singelcellsprotein.
• Metoden uppges vara effektivare än anaerob rötning (som ofta ligger runt ~50 % återvinning/omvandling av organiskt material).
• Processen når 10 % energieffektivitet och producerar upp till 13 liter vätgas per timme med solljus i labbsetup.
• Jämfört med traditionella metoder: 99,5 % lägre koldioxidutsläpp och 99,3 % lägre energianvändning (enligt forskarnas jämförelse).

Det är svårt att inte reagera på kombinationen: hög resursåtervinning + kraftigt reducerad klimat- och energipåverkan.

Men här kommer min tydliga ståndpunkt: skala är allt

De här siffrorna är lovande, men den avgörande frågan är drift i verkligheten:

• varierande slamkvalitet över dygnet och året,
• underhåll av elektroder,
• hantering av sidoströmmar,
• hygien- och foderregler,
• och ekonomi under svenska elpriser och tariffstrukturer.

Och just därför är det här ett AI-case: utan avancerad styrning blir en flerprocesskedja lätt för komplex för att vara stabil 24/7.

Var AI gör skillnaden: från labbprocess till driftklar anläggning

AI i energisystem handlar sällan om ”en smart modell”. Det handlar om att orkestrera variation, risk och kostnad i realtid.

Prognoser och optimering: matcha sol, last och vätgasbehov

Den här metoden använder solljus för att driva elektrokemin. I praktiken behöver du planera utifrån solinstrålning, elpriser och processens flexibilitet.

AI kan användas för att:

• prognostisera solproduktion (timvis/dygnsvis),
• styra när elektroreformering körs hårdare eller mjukare,
• optimera vätgaslagring kontra direkt användning (t.ex. i industri eller intern energiåterföring).

Det här knyter direkt till serien AI inom energi och hållbarhet: förutsägelse av energibehov och integration av förnybar energi är exakt samma problemklass.

Digital tvilling för reningsverk: stabilitet, kvalitet och spårbarhet

En rimlig väg till skala är att bygga en digital tvilling av processen:

• input: slamflöden, TS-halt, metallhalter, temperatur, pH, etc.
• output: vätgasvolym, renhetsindikatorer, ättiksyrahalt, proteinutbyte, restfraktioner.

Med en digital tvilling kan du testa styrstrategier innan du påverkar riktig drift. Det minskar risken och gör investeringar mer försvarbara.

Miljöövervakning: tungmetaller, patogener och produktkvalitet

Om man vill sälja singelcellsprotein som foder måste kvaliteten vara konsekvent. AI kan här användas för:

• tidig varning vid avvikande metallhalter,
• prediktion av produktkvalitet baserat på råvaruprofil,
• automatiserad batchfrisläppning med spårbar loggning.

Det är inte bara effektivisering. Det är licensen att få verka.

Praktiska tillämpningar: var tekniken passar först

Allt behöver inte börja som en ”nationell lösning”. Jag tycker man ska leta efter platser där nyttan är dubbel och infrastrukturen redan finns.

1) Reningsverk nära industriella vätgasanvändare

Tänk raffinaderier, kemiindustri, stålrelaterade kluster eller hamnmiljöer där vätgas kan användas för fordon eller processvärme. Då får du korta avstånd och tydlig avsättning.

2) Kommuner med höga kostnader för slamhantering

Om slam idag körs långt för behandling/förbränning kan en lokal resursåtervinning ge snabbare affärsnytta.

3) Regioner med intresse för alternativt protein

Singelcellsprotein kan bli intressant som del i ett robustare fodersystem. Här krävs dock tydlig regulatorisk plan och transparens.

Vanliga följdfrågor (och raka svar)

Är det här ”grön vätgas” på riktigt?

Ja, om energin som driver elektroprocessen kommer från sol (eller annan förnybar el) och om systemet i praktiken håller låg klimatpåverkan även med drift och underhåll inräknat.

Varför inte bara röta slam till biogas?

Anaerob rötning är beprövat och ofta rimligt. Men studien pekar på högre resursåtervinning och bättre borttagning av tungmetaller i den nya processen. I vissa fall kan det ge mer värde per ton slam.

Vad är den största risken vid uppskalning?

Ekonomi och komplexitet: elektroder, kemikaliekostnader, processtyrning och att bygga in stegen i befintliga reningsverk utan att skapa nya flaskhalsar.

Så kan ni ta nästa steg – utan att binda er för en ”megainvestering”

Om du jobbar med energi, reningsverk, industriell hållbarhet eller innovation är det här en rimlig handlingsplan:

1. Kartlägg er råvara: variation i slamkvalitet (metaller, TS, organisk andel) över året.
2. Identifiera lokala avsättningar: vätgas (internt/extern), protein (partner), ättiksyra (om relevant).
3. Bygg en datagrund: sensorer + historik + datakvalitet. Utan detta blir AI bara en ambition.
4. Starta en digital tvilling/pilot: simulera och testa styrning innan ni skalar.
5. Sätt KPI:er som går att styra: kWh/ton slam, kg H₂/ton, metallrenhetsgrad, CO₂e/ton, OPEX per producerad enhet.

En bra tumregel: om ni inte kan mäta kvalitet och energi i realtid kommer ni inte kunna optimera processen, och då blir skala dyr.

Det fina är att det här passar perfekt i en leadsgenererande kontext: många organisationer kan börja med förstudie, datamognad och modellering innan man ens bestämmer teknikspår.

Slammet är redan betalt – frågan är vad vi gör av det

Avloppsslam är en av få ”råvaror” som städer producerar varje dag, oavsett konjunktur. När forskningen visar att man kan göra vätgas och foder av det med solenergi, förändras spelplanen: reningsverket blir en del av energisystemet, inte bara en kostnadspost.

Och för oss som jobbar med AI inom energi och hållbarhet är budskapet tydligt: AI är länken mellan bra kemi i labbet och stabil drift i verkligheten. Prognoser, optimering, miljöövervakning och digitala tvillingar är det som gör cirkulära energisystem styrbara.

Vad skulle hända om Sveriges reningsverk började ses som lokala produktionsnoder för energi och biomaterial – och vi använde AI för att få dem att leverera med industrikvalitet, året runt?