Grönt väte: järnoxidkatalys som AI kan optimera

0,528 % vatten-till-väte per gram oxid. Det är siffran som gör att jag höjer på ögonbrynen – och den är mer än en fördubbling jämfört med tidigare toppmaterial (0,250 %). När forskare får ut så mycket mer väte ur samma mängd “aktivt material” blir det plötsligt relevant för allt från industrins avkarbonisering till hur vi designar framtidens energisystem.

Det här handlar om en ny typ av järnbaserad oxid – en järnfattig nickel-ferrit – som beter sig som en ovanligt effektiv “syresvamp” i en termokemisk process. Det fina? Järnoxider är billiga och finns i stora mängder, och processen kan i teorin drivas av solvärme eller spillvärme från industrin. För dig som följer vår serie AI inom energi och hållbarhet är vinkeln given: när materialet blir bättre ökar också värdet av att låta AI styra, planera och optimera produktionen i realtid.

Termokemisk vattenspjälkning – varför “syresvampen” avgör allt

Termokemisk vattenspjälkning bygger på en enkel idé: i stället för att använda el (som vid elektrolys) använder du värme för att driva en cyklisk reaktion där en metalloxid växelvis tar upp och släpper ifrån sig syre. Resultatet blir vätgas (H₂) när oxiden reagerar med vattenånga, och syre (O₂) i en annan del av cykeln.

Så fungerar cykeln i praktiken

En förenklad bild:

1. Reduceringssteg (hög temperatur): Oxiden släpper ifrån sig syre.
2. Oxideringssteg (lägre temperatur + ånga): Oxiden tar tillbaka syre från vattenånga – och då bildas vätgas.

Poängen med “syresvamp”-metaforen är att materialet måste kunna växla syreinnehåll snabbt, mycket och många gånger utan att tappa prestanda.

Varför det ofta har fastnat: temperaturen

Många konventionella metalloxider kräver extremt höga temperaturer för att ge tillräcklig syreavgång i reduceringssteget. Det gör processen dyr, svår att integrera i anläggningar och tekniskt krävande (materialslitage, värmeförluster, komplicerad värmeåtervinning).

Det är här ett bättre oxidmaterial kan flytta hela kalkylen.

Genombrottet: järnfattig nickel-ferrit som byter fas

Kärnan i den nya forskningen är ett material som kallas järnfattig nickel-ferrit (Fe-poor NiFe₂O₄, ofta förkortat NFO). Det intressanta är inte bara att det “funkar bättre”, utan varför.

Det nya materialet får högre syrekapacitet via en fasomvandlingsmekanism, i stället för att enbart förlita sig på små, icke-stökiometriska förändringar (där oxiden bara “skiftar lite” i syreinnehåll). Mer syre in/ut per cykel betyder mer väte per cykel.

Den mätbara effekten: mer än dubblerad konvertering

I experimenten rapporteras en vatten-till-väte-konvertering på 0,528 % per gram oxid, jämfört med tidigare benchmark på 0,250 %.

Det är lätt att avfärda procenttal som små. Men i den här typen av termokemiska materialtester är just förbättringar per gram hela poängen: det påverkar hur stora reaktorer måste vara, hur mycket material som behövs och hur snabbt du kan producera en given mängd vätgas.

Varför järn spelar roll ur ett hållbarhets- och kostnadsperspektiv

Att förbättringen kommer från järnoxidbaserade system är viktigt av två skäl:

• Tillgång och pris: Järn är en av de mest tillgängliga metallerna i världen. Det gör det lättare att skala.
• Robusthet: Oxider kan ofta tåla hårda termiska cykler bättre än många alternativa katalysatorfamiljer.

Men det finns en sak som avgör om detta lämnar labbet: hur bra vi kan styra processen i verklig drift. Där kommer AI in på riktigt.

AI som “driftchef”: så maxar man väteutbytet i realtid

När materialet blir mer kapabelt blir driften mer värd att optimera. Termokemisk vätgasproduktion är i praktiken ett styrproblem: temperaturprofiler, cykeltider, ångflöden, tryck, värmeåtervinning och degradering över tid hänger ihop.

1) Prediktiv styrning av cykler (MPC + maskininlärning)

Nyckeln är att köra varje cykel så nära optimal punkt som möjligt utan att stressa materialet eller slösa värme.

Ett realistiskt upplägg i en pilot:

• Sensorer (temperatur, tryck, gasanalys av H₂/O₂, flöden)
• En fysikbaserad modell som beskriver reaktionskinetik och värmeöverföring
• Maskininlärning som korrigerar modellfel (t.ex. när materialet åldras)
• Model Predictive Control (MPC) som optimerar nästa cykel givet mål (max H₂, min energiförlust, min materialstress)

Det här ger konkret effekt i form av:

• färre “försiktiga” säkerhetsmarginaler
• jämnare vätgaskvalitet
• bättre utnyttjande av spillvärme

2) AI för att matcha spillvärme med vätgasbehov

I svensk industri är spillvärme ofta säsongs- och produktionsberoende. På vintern (som nu, 2025-12-21) är trycket på energisystemet högre och värmeflöden kan behöva prioriteras annorlunda.

AI kan användas för att:

• prognostisera spillvärmetillgång timme för timme
• schemalägga termokemiska cykler när värmen är “billigast” (energi- och CO₂-mässigt)
• balansera vätgaslager (buffert) mot efterfrågan i t.ex. stål, kemi eller raffinaderi

Praktiskt: du vill undvika att köra reduceringssteget när spillvärmen dippar och du tvingas ta dyr spetsenergi.

3) Materialövervakning: upptäck degradering innan den kostar pengar

Termiska cykler sliter. Korn växer, porer förändras, reaktiv yta kan minska.

Med AI-driven tillståndsövervakning kan du:

• identifiera “signaturer” i procesdata som föregår tapp i H₂-utbyte
• planera regenereringssteg
• optimera underhåll efter verklig belastning (inte kalender)

Det här är samma tänk som prediktivt underhåll i vindkraft – men applicerat på vätgasmaterial.

AI i materialutveckling: från “testa allt” till riktade försök

En av de mest användbara delarna i forskningen är att teamet lyckades peka ut strukturella aktiva säten i järnoxidmaterial på atomnivå, och koppla en redox-svängning mellan två järnpositioner till vätgasutbyte.

Det betyder att materialdesign inte längre behöver vara lika mycket trial-and-error. För oss som jobbar med AI inom energi är detta en klassisk bro:

• Mer atomär förståelse → bättre features och målvariabler
• Bättre data → bättre modeller → färre experiment

Ett konkret arbetssätt för AI-baserad katalysutveckling

Jag brukar se fyra steg som fungerar i praktiken:

1. Bygg en databas av materialsammansättningar, syntesparametrar och mätresultat (inkl. misslyckanden).
2. Använd simuleringar (t.ex. kvantkemiska beräkningar) för att skapa mer träningsdata kring stabilitet och syrebindning.
3. Träna en modell som föreslår nästa material att testa (Bayesiansk optimering är ofta effektivt när experiment är dyra).
4. Stäng loopen: labbresultat tillbaka in i modellen, iterationer varje vecka.

Det är så man kortar tiden från “intressant mekanism” till “material som går att köra 10 000 cykler”.

Vanliga följdfrågor (och raka svar)

Är termokemisk vätgas bättre än elektrolys?

Det beror på vilken energi du har. Har du billig, fossilfri el dygnet runt är elektrolys ofta enklare. Har du stabil högtemperaturvärme (solvärme, spillvärme, processvärme) kan termokemisk vattenspjälkning bli ett starkt alternativ – särskilt om materialet klarar lägre temperaturer och högre syrekapacitet.

Var passar tekniken i Sverige?

Där spillvärme finns och vätgas behövs lokalt. Exempel är industricluster med stål, kemi, pappersmassa och raffinering, där värmeflöden och gasbehov kan integreras. Det stora värdet kommer när du kan minska både elbehov och energiförluster genom smart drift.

Varför pratar vi AI när det “bara” är ett material?

För att det som avgör kostnaden inte bara är materialet – det är systemet. Materialets potential realiseras först när process, värmeintegration och driftoptimering sitter. AI är verktygslådan för att få ut de sista (men dyra) procenten.

Så tar du nästa steg – från nyhet till lead

Den här järnoxidbaserade “syresvampen” visar att grönt väte fortfarande har stor teknisk uppsida, särskilt när vi kan använda värme som annars går förlorad. Men jag tar också med mig något mer jordnära: förbättrade material gör optimering mer lönsam. Och optimering är exakt där AI gör skillnad.

Om du sitter med ett av följande problem är det läge att agera:

• Ni har spillvärme men saknar en tydlig plan för hur den kan bli en vätgasaffär.
• Ni kör (eller planerar) vätgasproduktion och vill sänka energikostnad per kg H₂.
• Ni vill bygga en dataplattform för processdata, modellering och prediktivt underhåll.

En bra tumregel: om ni inte kan beskriva er optimala temperaturprofil och cykellängd med siffror, då finns det nästan alltid AI-potential.

I nästa del i vår serie AI inom energi och hållbarhet tittar vi på hur man bygger en praktisk “AI-loop” för energiprocesser: datainsamling, digital tvilling, styrning och säkerhetskrav.

Vilken del av vätgaskedjan tycker du är svårast att få lönsam just nu – produktion, lagring eller användning i industriprocessen?