Grön vätgas av urin: där AI gör systemet lönsamt

En sak är nästan alltid sann när företag pratar om grön vätgas: kostnaden och energiförlusterna dyker upp inom fem minuter. Elektrolys av vatten är beprövat, men dyrt i el. Och när elpriserna rör sig snabbt – som de ofta gör i Norden vintertid – blir det extra tydligt att processen behöver bli smartare, inte bara “grönare”.

Det är därför forskningen om att göra vätgas av urea i urin och avloppsvatten är så intressant. Den tar tag i två problem samtidigt: dyr energi och kväverikt avfall. Universitetet i Adelaide beskriver två system som kan minska elbehovet med cirka 20–27 % jämfört med vattenspjälkning, och dessutom undvika giftiga nitrat/nitrit-biprodukter genom att i stället bilda ofarlig kvävgas.

För oss som jobbar med serien AI inom energi och hållbarhet är det här mer än en keminyhet. Det är en signal om en ny typ av energisystem: där avfallsströmmar blir insatsvaror, och där AI behövs för att göra variationen i flöden, kvalitet och drift stabil nog för industriell skala.

Varför urea-elektrolys kan bli billigare än vattenelektrolys

Kort sagt: urea är “lättare” att oxidera än vatten, vilket sänker den elektriska energi som krävs för att få fram vätgas. Det är kärnan i varför urin/avloppsvatten kan vara en genväg till lägre kostnad per kilo vätgas.

I traditionell elektrolys delas vatten till vätgas (H₂) och syrgas (O₂). Det funkar, men syrgasutvecklingen vid anoden kräver högre spänning och ger förluster. Om man i stället använder urea (som finns i urin och många avloppsflöden) kan anodreaktionen ske vid lägre energikrav.

Forskargruppen rapporterar att deras urea/urin-baserade system kan spara cirka 20–27 % elektricitet jämfört med vattenelektrolys. Det är ett stort hopp i en bransch där förbättringar ofta är procentenheter.

Det här är den ekonomiska poängen

Om el är den dominerande kostnaden i grön vätgasproduktion (vilket den ofta är), så betyder en energibesparing:

• lägre OPEX (driftkostnad) per producerat kilo H₂
• större flexibilitet att producera när elen är billig
• snabbare väg till konkurrens med “grå” vätgas (fossilbaserad)

Men: ekonomin faller direkt om processen ger problem med biprodukter, korrosion eller låg vätgasutbyte. Och det är här de nya systemen försöker lösa knutarna.

Från “smart idé” till kemi som faktiskt fungerar

Nyckeln är att hantera två klassiska problem med urea/urin-elektrolys: lågt utbyte och oönskade kvävebiprodukter. Äldre upplägg kan bilda nitrater och nitriter som är både giftiga och dessutom konkurrerar med vätgasproduktionen.

Forskarna beskriver två spår:

1. Ett membranfritt urea-elektrolyssystem med en ny kopparbaserad katalysator (utgår från ren urea).
2. Ett urinbaserat system med en kloridrelaterad oxidationsmekanism som använder platinabaserade katalysatorer på kolförankring.

Den viktiga detaljen är inte “koppar vs platina”, utan vad systemen försöker uppnå på systemnivå:

• högre selektivitet mot ofarlig kvävgas (N₂) i stället för nitrat/nitrit
• stabil drift trots “smutsig” insats (urin/avloppsvatten varierar)
• lägre energiförbrukning utan att vätgasproduktionen rasar

Utmaningen som gör urin svårt: klorid och korrosion

Urin innehåller kloridjoner. I en elektrolytisk miljö kan det trigga klorbildning, vilket i sin tur kan orsaka irreversibel korrosion på anoden. Det är inte en fotnot – det är ofta en showstopper.

Forskarna hanterar detta genom en ny mekanism där klorid/klor-kemi integreras på ett kontrollerat sätt via katalysatorval och reaktionsväg. Det är spännande, men det pekar också på varför AI och styrning blir avgörande vid uppskalning: små variationer i kloridhalt kan få stora konsekvenser för livslängd och säkerhet.

En bra tumregel: När insatsen är avfall är variationen normen. Då måste styrningen vara byggd för variation, inte för laboratoriet.

Var AI faktiskt gör skillnad i urin-till-vätgas-system

AI är inte “extra krydda” här – det är ofta förutsättningen för stabil, kostnadseffektiv drift. Urea/urin-elektrolys sitter mitt i skärningspunkten mellan energi, vatten/avlopp och kemisk processindustri. Det är tre domäner som alla är brusiga, regulatoriska och driftintensiva.

Här är fyra AI-nära användningsfall som brukar ge verklig effekt.

1) Prognoser för resursflöden (urea, klorid, COD)

För att planera produktionen behöver du veta hur mycket “bränsle” (urea/kväve) som kommer in och i vilken kvalitet. I kommunala reningsverk varierar flöden över dygnet och veckan. Under jul- och nyårsperioden (som vi är i nu, 2025-12-21) kan belastningsmönster dessutom ändras i vissa kommuner med mycket resande och evenemang.

AI-modeller kan använda historik, väder, kalenderdata och driftsdata för att prognostisera:

• inflöde och kvävehalt
• kloridnivåer (kritiska för korrosionsrisk)
• behov av förbehandling/blandning

Resultatet blir jämnare vätgasproduktion och mindre “slitage-körning”.

2) Optimering i realtid: spänning, strömtäthet och driftfönster

Energioptimering i elektrolys är ett styrproblem. Du vill ligga så lågt i spänning som möjligt utan att tappa vätgasutbyte eller skapa oönskade biprodukter.

Med AI-baserad processoptimering kan du:

• minimera kWh per kg H₂ givet aktuell insatskvalitet
• styra mot hög selektivitet (mer N₂, mindre nitrat/nitrit)
• anpassa körningen efter timpris på el (särskilt relevant i Norden)

Det här är också ett sätt att integrera produktionen med förnybar el och smarta elnät: kör hårdare när elen är billig och grön, och lugnare när nätet är ansträngt.

3) Prediktivt underhåll för anoder och katalysatorer

När klorid och korrosionsrisk finns i bilden blir livslängd en central KPI. AI kan träna modeller på sensor- och driftdata (spänning, temperatur, pH, redox, ledningsförmåga, gasflöden) för att upptäcka tidiga tecken på:

• katalysatordegradering
• beläggningar/fouling
• korrosionsaccelerering

Det gör att du kan planera byten och rengöring innan effektiviteten rasar eller komponenter går sönder.

4) Miljöövervakning och rapportering som håller för granskning

Ett av de mest underskattade värdena här är att processen kan minska kvävebelastning i vattenmiljöer genom att “ta hand om” kväverikt avfall på ett nytt sätt.

Men om du vill skapa affärsvärde av miljönyttan (tillstånd, rapportering, hållbarhetsmål) måste du kunna visa:

• vad som kom in (kväveformer, volymer)
• vad som omvandlades (N₂, eventuella restprodukter)
• vad som släpptes ut (och hur mycket)

AI kan bidra med datakvalitet, anomalidetektion och automatiserad rapportering. Det gör stor skillnad när systemet ska upphandlas, revideras och skalas.

Var i Sverige kan detta passa – och var det är svårare

Den mest realistiska vägen till pilot är att koppla systemet nära där kväverikt vatten redan hanteras: reningsverk, industriella avloppsflöden och logistiknoder. Vätgas är dyr att transportera jämfört med att producera nära användning, så lokala “minihubbar” är ofta vettiga.

Troliga pilotmiljöer

• Kommunala reningsverk där kväverening är en stor kostnad och där man kan testa sidoströmmar.
• Livsmedelsindustri och andra processindustrier med kväverika avloppsvatten.
• Hamnar och logistikområden som vill ha lokal vätgas för tunga fordon eller arbetsmaskiner.

Där det ofta blir tufft

• Små anläggningar med mycket låg och varierande belastning (svårt att få stabil drift och ekonomi).
• Miljöer där kloridnivåerna är mycket höga utan möjlighet till robust materialval och processkontroll.
• Projekt där man underskattar tillstånd, arbetsmiljö och gas-säkerhet (vätgas kräver disciplin i design och drift).

Praktiska steg: så utvärderar du en “urin-till-vätgas”-idé utan att fastna

Börja som ett data- och processcase, inte som en PR-idé. Jag har sett för många cirkulära energiinitiativ falla på att man blir för förälskad i konceptet och för sen med driftfrågorna.

1. Kartlägg avfallsströmmen
   • Flöde (m³/dygn), urea/kvävehalter, kloridhalter, variation över tid.
2. Sätt KPI:er som går att räkna på
   • kWh/kg H₂, kg H₂/dygn, selektivitet mot N₂, komponentlivslängd, driftstopp.
3. Designa datainsamlingen från dag 1
   • Sensorplan, provtagningsstrategi, datalagring, kvalitetssäkring.
4. Planera AI-styrning som ett “lager” ovanpå processkontroll
   • Först stabil basreglering (PLC/SCADA), sedan optimering/prediktion.
5. Gör en el- och värdesimulering
   • Timpris (PPA/spot), flexibilitetsvärde, användning av vätgas lokalt.

Slutsats: avfall som insats kräver intelligens som standard

Grön vätgas av urin låter som en rubrik man skämtar om – men det är precis den sortens teknik som kan få energisystemet att hänga ihop när vi samtidigt ska öka elektrifieringen, bygga flexibilitet och minska utsläpp. Att spara 20–27 % el jämfört med traditionell vattenelektrolys är en konkret förbättring, och att styra kväve mot ofarlig kvävgas i stället för giftiga biprodukter gör idén mer realistisk.

Min ståndpunkt är enkel: uppskalningen kommer inte vinnas i laboratoriet, utan i driften. Och drift i den här typen av system betyder variation i inflöde, variation i elpris och höga krav på säkerhet. Det är exakt där AI inom energi och hållbarhet passar som bäst.

Om din organisation sitter på kväverika avfallsströmmar eller driver kritisk infrastruktur: vilka datakällor har ni redan i dag som skulle kunna bli startpunkten för en pilot – och vilka saknas helt?