Grönt nickel + AI: renare batterier och stål

Nickel är en av de där råvarorna som sällan syns i rubrikerna – men som håller ihop elektrifieringen. Utan nickel blir det svårt att skala batterier för elfordon och energilager, och rostfritt stål är fortfarande ryggraden i mycket av industrin. Problemet? Dagens nickelproduktion är ofta extremt koldioxidintensiv: cirka 20 ton CO₂ per ton nickel. Det är ett obekvämt faktum när allt fler verksamheter sätter nettonollmål.

Här kommer ett forskningsspår som faktiskt träffar rätt i industrins vardag: en ny metod från Max Planck Institute for Sustainable Materials där nickel utvinns i ett enda steg med vätgasplasma i stället för kolbaserade processer. Resultatet i labbskala: 84 % lägre CO₂-utsläpp och upp till 18 % bättre energieffektivitet – givet att processen drivs av förnybar el och grön vätgas.

Men det mest intressanta för oss som jobbar med AI inom energi och hållbarhet är inte bara kemin. Det är att den här typen av processer är perfekt “AI-mat”: komplexa, energikrävande, känsliga för små avvikelser – och fulla av optimeringsmöjligheter. Om grönt nickel ska bli mer än ett Nature-resultat måste det gå att skala, styras och integreras i värdekedjor. Det är där AI kan göra jobbet snabbt och mätbart.

Varför nickel blivit en flaskhals i elektrifieringen

Nickel är kritiskt eftersom efterfrågan väntas fördubblas till 2040 när transport och industri elektrifieras. Samtidigt är nickel en klimatparadox: vi elektrifierar för att minska utsläpp, men råvaran bakom batterier och stål riskerar att flytta utsläppen “bakåt i kedjan” – från avgasrör till smältverk.

Det här märks redan i inköp och rapportering. Företag som räknar på Scope 3 upptäcker att material som nickel snabbt blir dominerande poster i klimatbokslutet, särskilt när volymerna växer. Och det räcker inte att säga “vi köper grönt stål” om insatsmaterialen fortfarande produceras med kolintensiva metoder.

Rostfritt stål och batterier: två olika logiker, samma nickel

Nickel behövs främst i:

• Batterier (t.ex. nickelrika katodmaterial i elfordon och energilager)
• Rostfritt stål (korrosionsbeständighet, hållfasthet, livslängd)

Det fina – och svåra – är att samma råvara ska tillgodose två marknader med helt olika kvalitetskrav, prislogik och cykler. Här blir spårbarhet, kvalitetssäkring och processkontroll avgörande. AI kan hjälpa, men bara om produktionen genererar data och det finns en plan för hur den används.

Grönt nickel i ett steg: vad som faktiskt är nytt

Nyckeln är att ersätta kolbaserad reduktion med vätgasplasma i en elektrisk ljusbågsugn, och att göra flera steg samtidigt: smältning, reduktion och raffinering. Det är en stor sak, för traditionell nickelutvinning är ofta en kedja av energitunga moment.

I konventionella processer är låghaltiga nickelmalmer extra besvärliga. Nickel sitter kemiskt bundet i komplexa mineral (magnesiumsilikater eller järnoxider), vilket kräver flera processteg. Forskarna visar att man kan bryta ner mineralstrukturen till enklare joniska arter i reaktionszonen – utan katalysator – och direkt producera en raffinerad ferronickellegering.

Om vi fortsätter producera nickel på samma sätt och använder det för elektrifiering flyttar vi bara problemet i stället för att lösa det.

Den här meningen är obekväm, men den sätter ribban: elektrifiering är inte automatiskt hållbar. Den blir hållbar när material- och energisystemen bakom också ställs om.

Låghaltig malm: 60 % av reserverna som plötsligt blir intressanta

En detalj som många missar: låghaltiga nickelmalmer utgör cirka 60 % av de totala nickelreserverna. Om en process kan använda dessa effektivt förändras spelplanen:

• mindre beroende av ett fåtal högkvalitativa fyndigheter
• bättre robusthet i försörjningskedjan
• potentiellt lägre råvarukostnad över tid

Samtidigt ökar kraven på styrning: variationen i malmsammansättning blir större, vilket gör driftoptimering mer komplex. Det är exakt den typen av problem där AI ofta överträffar manuella tumregler.

Skalning är den riktiga matchen – och AI är en del av lösningen

Den tekniska risken vid uppskalning handlar om reaktionsgränsytan. I forskarnas beskrivning sker reduktionen vid reaktionsinterface, inte i hela smältan. I en industriell ugn måste man alltså säkerställa att “orörd” smälta kontinuerligt når gränsytan.

Forskarna pekar på etablerade industrimetoder som kan lösa detta: korta ljusbågar med hög ström, elektromagnetisk omrörning under ugnen och gasinjektion. Bra – men här blir nästa fråga: Hur vet vi att vi kör optimalt, timme för timme, när malmen varierar och energipriserna hoppar?

AI-styrning av ugnar: från “operatörskonst” till systematik

I många ugnsprocesser finns en mix av instrumentdata, operatörserfarenhet och efteranalys. Det räcker inte när man vill:

• minimera energi per ton produkt
• hålla jämn kvalitet på legeringen
• undvika slaggproblem och oplanerade stopp
• optimera mot både CO₂ och kostnad samtidigt

AI kan bidra på tre nivåer:

1. Prediktiv processtyrning (MPC + ML): Modeller som förutser temperatur, kemisk sammansättning och energibehov baserat på inkommande malm och driftsparametrar.
2. Digital tvilling: En simuleringsmodell som testkör setpoints, omrörning och gasflöden innan man gör ändringar i verkligheten.
3. Anomali- och kvalitetsdetektion: Snabb upptäckt av avvikelser i ljusbåge, plasmusstabilitet, slaggskumning eller metallkvalitet.

Det här är inte “AI för AI:s skull”. Det är en direkt väg till färre stopp, lägre energitoppar och stabilare produkt.

Data du behöver (och ofta saknar)

Det som brukar fälla digitala industriprojekt är inte algoritmerna, utan datagrunden. För grönt nickel i elektriska ugnar är följande datapunkter extra värdefulla:

• malmkarakterisering (halt, mineralogi, fukthalt, föroreningar)
• eldata (ström, spänning, effektfaktor, harmoniska)
• ugnsdata (temperaturprofiler, slaggvolym, tappningsdata)
• gas- och vätgasdata (flöden, renhet, tryck)
• produktdata (legeringssammansättning, avvikelser, batchspårning)

Har du detta i realtid eller nära realtid kan AI göra skillnad. Har du det bara i labbrapporter efteråt blir effekten mindre.

Klimatnyttan hänger på energisystemet: grön el och grön vätgas

Processen blir riktigt låg i utsläpp först när den drivs av förnybar el och grön vätgas. Det är en viktig brasklapp: elektrifiering av metallurgi är inte automatiskt fossilfri om elmixen är smutsig.

Här passar den nordiska kontexten väl. Sverige har goda förutsättningar med fossilfri elmix, men vintertid (som nu i december 2025) är energisystemet mer ansträngt: högre priser, effekttoppar och ibland import med högre marginalutsläpp. För industrin betyder det att “grönt” också måste vara smart tidsstyrt.

AI för energiflexibilitet i metallindustrin

Om en anläggning kan flytta delar av sin energiförbrukning i tid, eller styra effektuttag mer jämnt, blir vinsten dubbel: lägre kostnad och lägre klimatavtryck.

AI kan stödja detta genom:

• prognoser för elpris och effektläge (dag-före, intradag)
• optimering av körscheman så att energitunga moment hamnar när marginalutsläpp och pris är lägre
• samspel med vätgasproduktion och lagring (t.ex. producera vätgas när elen är billig, använd den när processen behöver)

Praktiskt betyder det att grönt nickel kan bli en del av ett större “energi-OS” för industrikluster – där batterier, vätgas, ugnar och nätkapacitet optimeras tillsammans.

Från ugn till värdekedja: materialspårbarhet och bättre beslut

Grönt nickel handlar inte bara om att tillverka – utan om att kunna bevisa vad man tillverkat. Köpare av batterimaterial och stål vill ha mer än en faktura; de vill ha data för hållbarhetsrapportering, produktpass och riskbedömning.

AI kan stärka spårbarheten genom att koppla ihop:

• batchdata från produktion
• kvalitet och utbyte
• energi- och utsläppsberäkningar per batch
• leverans- och logistikdata

Det blir ett konkurrensmedel. När marknaden mognar kommer “lågt CO₂ per ton nickel” vara ett krav i upphandlingar, inte en bonus.

Slagg som resurs: cirkularitet som faktiskt går att räkna hem

Forskarna lyfter att slaggen från processen kan användas i byggmaterial, som tegel och cement. Om det kan valideras industriellt får man två effekter:

• mindre avfall och lägre deponeringskostnader
• potentiell ersättning av jungfruliga råvaror i byggsektorn

Här är AI nyttigt för kvalitetsklassning: bildanalys, sensordata och prediktion av slaggens egenskaper kan göra det lättare att matcha rätt slagg till rätt applikation.

Vanliga följdfrågor jag får – och raka svar

Kommer grönt nickel göra batterier “helt hållbara”?

Nej. Det minskar ett stort utsläppsblock, men batteriers klimatpåverkan påverkas också av elmix, återvinning, kemi (nickelhalt), och hur batteriet används. Däremot: om nickelutsläppen sjunker kraftigt blir det betydligt lättare att nå strikta klimatkrav.

Är vätgasplasma realistiskt i stor skala?

Ja, tekniskt är det realistiskt eftersom man bygger vidare på etablerad ugnsteknik och kända metoder för omrörning och gasinjektion. Den stora utmaningen är processstabilitet, energiekonomi och integration – där styrning och data är avgörande.

Var passar detta in i “AI inom energi och hållbarhet”?

Det här är ett skolboksexempel: AI accelererar gröna processer genom att optimera energi, kvalitet, driftstabilitet och spårbarhet i realtid.

Vad du kan göra redan nu (om du jobbar med energi, industri eller inköp)

Tre konkreta nästa steg jag tycker fler borde ta under 2026:

1. Kartlägg materialens klimatpåverkan per komponent – särskilt nickel i batterier och rostfritt. Många organisationer har bättre koll på elförbrukning än på materialens utsläpp.
2. Bygg en dataryggrad för process och spårbarhet: standardisera batch-ID, sensordata, labbdata och energidata så att AI-projekt inte fastnar i datarensning.
3. Starta ett pilotcase för AI-optimering i en energitung nod (ugn, elektrolys, värmebehandling). Välj ett mål som är svårt att argumentera emot: minskad energi per ton, färre stopp, stabilare kvalitet.

Elektrifieringen behöver mer än fler laddstolpar. Den behöver renare material, smartare processer och bättre beslut i realtid. Grönt nickel via vätgasplasma visar att metallurgin kan bli en del av lösningen – och AI är verktyget som gör att den kan skala.

Om du sitter med frågan “hur gör vi det här praktiskt i vår verksamhet?”, är den bättre frågan: vilken del av värdekedjan saknar fortfarande data nog för att kunna styras? Där finns nästa utsläppsminskning att hämta.