AI och järnoxid: grön vätgas med ”syresvamp”

Vätgas får ofta rollen som energisystemets “joker”: den ska jämna ut vind- och solkraft, driva industriprocesser och lösa effektbrister när elnätet är pressat. Men det finns en obekväm sanning bakom många vätgasplaner: själva produktionen är fortfarande dyr, energikrävande och svår att skala utan att kostnaderna skenar.

Det är därför ett nytt forskningsresultat om en järnbaserad “syresvamp” är så intressant. En forskargrupp vid POSTECH och Seoul National University har tagit fram en ny typ av järnoxid-baserat material som mer än fördubblar konverteringseffektiviteten i termokemisk vätgasproduktion (vattenklyvning med värme). Samtidigt visar arbetet något jag tycker är minst lika viktigt: när man förstår varför ett material fungerar, kan man också låta AI hitta nästa generation snabbare.

Termokemisk vätgas: svaret är värme, inte bara el

Termokemisk vattenklyvning handlar om en enkel idé: använd värme för att dela vatten (H₂O) i vätgas (H₂) och syre (O₂), via ett material som växlar mellan att ta upp och släppa ifrån sig syre.

Nyckeln är en cykel i två steg:

1. Reduktion (”ladda syresvampen”): Ett metalloxidmaterial värms upp så att det släpper ifrån sig syre.
2. Oxidation (”tillverka vätgas”): Materialet reagerar med vattenånga och tar tillbaka syre – och då bildas vätgas.

Det här skiljer sig från elektrolys, där du primärt behöver elektricitet. I termokemisk produktion är temperatur, materialkemi och processstyrning de stora hävstängerna.

För Sverige är det extra relevant eftersom vi har gott om industriell spillvärme (stål, kemi, raffinaderi, fjärrvärmesystem) och i vissa lägen även möjligheter till solvärme i storskaliga processer. När elpriser och nätbegränsningar varierar kan det vara en fördel att ha en vätgasväg som inte alltid konkurrerar om samma kilowattimmar.

Problemet med klassiska metalloxider: de vill ha för hög temperatur

Den stora bromsklossen har varit att många “standardmaterial” kräver mycket höga temperaturer för att cykeln ska gå fort nog och ge rimligt utbyte. Det gör att:

• energiförlusterna ökar
• material slits snabbare (sintering, fasförändringar, degradering)
• reaktor- och värmeåtervinning blir dyrare
• styrningen blir svårare, särskilt vid varierande värmetillgång

Det är här syresvamps-metaforen blir konkret: ett bra material måste kunna ta upp och släppa syre effektivt utan att kräva extrema processförhållanden.

Genombrottet: ”järnfattig” nickelferrit som byter fas

Forskarna utvecklade en ny variant av nickelferrit: järnfattig NiFe₂O₄ (i artikeln kallad Fe-poor NFO). Det avgörande är inte bara att det är järnbaserat (billigt och vanligt), utan mekanismen.

Många tidigare oxider bygger på små, så kallade icke-stökiometriska variationer (lite mer eller mindre syre i samma kristallstruktur). Det ger ofta en begränsad “syrekapacitet”.

Det nya materialet fungerar annorlunda: det utnyttjar en fasomvandling, vilket ger större syreupptag/-avgivning även vid lägre temperaturer.

Här är den siffra som sticker ut:

• 0,528% vatten-till-vätgas-konvertering per gram oxid
• jämfört med tidigare toppnivå 0,250%

Det är mer än en fördubbling i den metrik som rapporteras. Om det håller i vidare tester (cyklisk stabilitet, skala, reaktordesign) är det exakt den sortens förbättring som gör att termokemisk vätgas går från “intressant forskningsspår” till “rimlig pilot”.

Varför mekanismen är minst lika viktig som siffran

Jag är ofta mer skeptisk än entusiastisk när nya material beskrivs som “effektivare”. Inte för att forskningen är dålig, utan för att materialframsteg ofta dör i skalningssteget.

Det som gör den här studien extra användbar är att teamet identifierar strukturella aktiva säten i järnoxidmaterial på atomnivå och kopplar dem till vätgasutbytet. De beskriver en redox-svängning mellan två typer av järnplatser som korrelerar med mängden producerad vätgas.

Det betyder att man inte bara hittat “ett bra prov i labbet”, utan också en designregel: vilka platser i strukturen som måste optimeras.

Varför AI passar som hand i handske med syresvampen

AI i energisystem handlar sällan om “magiska modeller”. Det handlar om att göra tusentals små beslut bättre: optimering, prognoser, styrning, kvalitetsövervakning. Termokemisk vätgas är en perfekt match, eftersom processen är:

• multi-variabel (temperatur, tryck, flöden, cykeltider)
• starkt beroende av materialets mikroskopiska egenskaper
• känslig för degradering över tid

1) AI för materialdesign: snabbare väg till nästa oxid

När forskare väl har pekat ut aktiva säten och mekanismer kan AI användas för att:

• skanna stora variationsrum av dopning och sammansättning (t.ex. Ni/Fe-förhållanden)
• förutsäga stabilitet vid cykling
• föreslå kandidater som maximerar syrekapacitet vid givna temperaturfönster

Praktiskt innebär det att man kan kombinera beräkningskemi, simuleringar och maskininlärning för att prioritera vilka prover som faktiskt ska syntetiseras. Det sparar månader.

2) AI för processoptimering: mer vätgas per kWh värme

Även med ett bra material kan en dåligt styrd cykel slösa bort potentialen. Här ger AI mervärde genom att optimera:

• cykeltider (hur länge reduktion/oxidation ska pågå)
• temperaturprofiler (snabb ramp vs hålltid)
• värmeåtervinning mellan steg
• ångdosering och flödesreglering

Målet är enkelt formulerat: maximera vätgasutbyte per tillförd värme och minimera slitage.

3) AI för prediktivt underhåll: upptäck degradering innan den kostar

Metalloxider kan degradera på subtila sätt: porositet förändras, partiklar sintrar ihop, fasbalanser glider. Med sensordata (temperatur, tryck, flöden, sammansättning, värmeväxlarprestanda) kan AI:

• hitta tidiga tecken på att “syresvampen” tappar kapacitet
• föreslå justerade cykelparametrar för att bromsa degradering
• planera materialbyte och service baserat på faktisk drift, inte kalender

Det här är ett typiskt “smart industri”-case där AI ger ROI för att det minskar driftstopp och förbättrar verkningsgrad.

Svensk kontext: spillvärme, industri och smarta elnät

Om man ska vara krasst svensk om det här: det som avgör är inte bara en procentsiffra i en publikation, utan om tekniken passar våra system.

Tre realistiska användningsspår sticker ut:

Spillvärme till vätgas nära industrin

Sverige har flera kluster där spillvärme redan hanteras i fjärrvärme eller går förlorad i kylning. Termokemisk vätgas kan vara intressant när:

• spillvärmen har rätt temperaturnivå
• vätgasen kan användas lokalt (ammoniak, metanol, reduktionsmedel, processgas)
• elnätet är en begränsning för storskalig elektrolys

Vätgas som energilager i ett AI-styrt energisystem

När vind och sol varierar behövs flexibilitet. Vätgas är inte “billig lagring” i alla lägen, men den kan vara strategisk lagring för industrin. AI kan här koordinera:

• när värme ska användas för vätgascykler
• när vätgas ska produceras vs lagras vs användas
• hur systemet ska bete sig vid pristoppar och effektbrist

Hybridlösningar: elektrolys + termokemi

Jag tror mer på kombinationer än på “en teknik tar allt”. Elektrolys är starkt när elen är billig och grön. Termokemi kan vara starkt när värme ändå finns och elen är dyr eller trång. AI blir limmet som väljer rätt läge vid rätt tid.

Vanliga följdfrågor (och raka svar)

Är 0,528% en “bra” effektivitet?

Det är en laboratoriemetrik per gram oxid för en viss experimentuppställning. Den säger: materialet presterar betydligt bättre än tidigare bästa i samma jämförelse. För kommersialisering behövs fler nyckeltal: energibalans, cykelstabilitet, reaktorverkningsgrad och kostnad per kg H₂.

Varför är järnoxid extra intressant?

För att järn är billigt, tillgängligt och industribekant. Det minskar råvarurisk och gör skalning mer realistisk än för exotiska material.

Är det här “grön vätgas”?

Ja, om värmen kommer från fossilfria källor (solvärme, elektrifierad värme, spillvärme i fossilfri industri). Tekniken i sig släpper inte ut koldioxid; det avgörande är energikällan.

Nästa steg: från lovande material till fungerande system

Det mest spännande i den här typen av forskning är att den börjar flytta fokus från “hitta ett material” till “bygga ett system”. Jag vill se tre saker i nästa våg:

1. Långtidscykling: hur många cykler klarar materialet utan att tappa kapacitet?
2. Reaktordesign och värmeintegration: hur mycket av värmen kan återvinnas mellan stegen?
3. AI-modeller kopplade till driftdata: digital tvilling som optimerar cykeln i realtid och lär sig av slitage.

Det här passar perfekt i vår serie AI inom energi och hållbarhet: när materialvetenskapen ger en tydlig mekanism kan AI bli den praktiska acceleratorn som gör att innovationen faktiskt når industrigolv och energisystem.

Om du sitter med ansvar för energiförsörjning, processutveckling eller hållbarhetsmål är frågan inte om vätgas kommer, utan vilken produktionsmix som ger lägst kostnad och högst robusthet när elnät, priser och klimatkrav drar åt olika håll. Kommer nästa stora lyft komma från fler elektrolysörer – eller från smartare användning av värme och “syresvampar” som AI kan styra?