AI och grönt väte från avloppsslam: så funkar det

Mer än 100 miljoner ton avloppsslam uppstår globalt varje år, och volymerna ökar i takt med urbaniseringen. Det är en av de där infrastrukturella verkligheterna som sällan hamnar på ledarsidorna—men som avgör både klimatpåverkan och kommunernas ekonomi.

Här är den intressanta vändningen: ett forskarlag vid NTU i Singapore har visat en solcellsdriven process som kan förvandla avloppsslam till grönt väte och single-cell protein (mikrobiellt protein) för djurfoder, samtidigt som man tar bort tungmetaller. För mig är det ett tydligt exempel på vad cirkulär ekonomi faktiskt betyder i praktiken: avfall blir råvara, och energi blir biprodukt av rening.

Och i vår serie AI inom energi och hållbarhet finns en extra dimension: AI är ofta skillnaden mellan en lovande labbprocess och en robust, skalbar driftmiljö. Den här typen av processer är komplexa, dynamiska och känsliga—exakt den miljö där prediktiva modeller, optimering och digitala tvillingar ger verklig effekt.

Från avloppsslam till väte och foder – varför det här spelar roll

Kärnpunkten: Avloppsslam är både ett avfallsproblem och en outnyttjad resursbank.

Slammet innehåller organiskt kol, kväve och fosfor—men också sådant man inte vill sprida vidare, som tungmetaller och patogener. Traditionella slutstationer som förbränning eller deponi är ofta energikrävande, dyra och politiskt svåra. Även mer resursinriktade alternativ, som rötning (anaerob digestion), har begränsningar: man får biogas, ja, men resursutbytet är inte maximalt och kontaminanter kan vara ett problem.

Det nya i NTU-arbetet är att man inte nöjer sig med ”lite energi tillbaka”. Man försöker istället maximera värdet ur slammet:

• Energi: vätgas som kan användas i industri, transporter och energisystemets balans.
• Mat/foder: single-cell protein som kan minska trycket på sojaimport och markanvändning.
• Miljö: borttagning av tungmetaller, vilket gör restströmmar säkrare.

Det här är en logik som ligger nära svensk verklighet. Vi har höga ambitioner för klimatneutralitet, växande intresse för vätgas (särskilt för stål, kemi och tunga transporter) och samtidigt en livlig debatt om hur vi hanterar slam på ett säkert sätt.

Så fungerar NTU:s trestegsprocess – tydligt och utan krusiduller

Kärnpunkten: Processen kombinerar mekanik, kemi, solcellsdriven elektrokemi och biologi i tre steg.

Steg 1: Mekanisk nedbrytning och kemisk separation

Först bryts slammet ner mekaniskt för att öppna upp strukturen. Därefter används en kemisk behandling för att separera tungmetaller från organiska komponenter som proteiner och kolhydrater.

Det här steget är avgörande. I många cirkulära upplägg är kontaminanter det som stoppar återanvändning. Att skapa en renare organisk fraktion tidigt gör hela kedjan mer användbar—och mer accepterad.

Steg 2: Solcellsdriven elektrokemisk omvandling (”electroreforming”)

Sedan kommer processens motor: en solcellsdriven elektrokemisk reaktor med specialiserade elektroder. Den omvandlar den organiska fraktionen till:

• Vätgas (H₂)
• Ättiksyra (acetic acid), en industrikemikalie med bred användning

I labbtester rapporterade forskarna en energiverkningsgrad på cirka 10 % och upp till 13 liter vätgas per timme med hjälp av solljus. Poängen är inte att siffrorna direkt kan jämföras med en fullskalig elektrolysör i industri—utan att man får energi och kemikalier samtidigt som man behandlar avfall.

Steg 3: Biologisk ”funnelling” till single-cell protein

Till sist tillsätter man ljusaktiverade bakterier i den bearbetade vätskeströmmen. Bakterierna omvandlar näring och kol till single-cell protein som kan användas som ingrediens i djurfoder.

Det här är smart av två skäl:

1. Man gör protein av en restström, i stället för att odla foder på åkermark.
2. Man skapar en produkt som kan bidra till ekonomin i anläggningen—vilket ofta är avgörande för att investeringar ska bli av.

Resultaten: mer resursutbyte och kraftigt lägre utsläpp

Kärnpunkten: Processen visar högre kolåtervinning och drastiskt lägre klimat- och energifotavtryck än vanliga metoder.

I proof-of-concept-tester rapporterade forskarna bland annat:

• 91,4 % återvinning av organiskt kol ur slammet
• 63 % av organiskt kol omvandlat till single-cell protein
• Jämförelse: traditionell rötning ligger ofta runt 50 % återvinning/omvandling av organiskt material
• 99,5 % lägre koldioxidutsläpp och 99,3 % lägre energianvändning jämfört med traditionella metoder (enligt studiens jämförelseantaganden)
• Fullständig borttagning av tungmetaller i processen (enligt rapporteringen)

Om de här nivåerna kan bekräftas i pilot- och fullskala är det stort. Inte för att alla reningsverk ska bli vätgasfabriker, utan för att det öppnar för ett nytt ”normal-läge”: reningsverk som producerar energi och produkter i stället för att bara minimera skada.

Var AI kommer in: från labb till drift som håller i februari

Kärnpunkten: AI behövs för styrning, optimering, kvalitet och skalning i komplexa processer.

Det finns en anledning till att forskarna själva pekar på skalningsutmaningar: elektrokemiska system och biologiska steg är känsliga för variation. Och avloppsslam varierar… jämt. Säsong, nederbörd, industriella påslag, temperatur, flödestoppar—allt påverkar.

Här har jag sett ett mönster i energi- och processindustri: det som fungerar stabilt är sällan ”bara hårdvara”. Det är styrning, prediktion och kvalitetssäkring.

1) Prediktiva modeller för varierande slamkvalitet

AI kan träna modeller som förutsäger inkommande slam-egenskaper baserat på historik, sensorer och driftsdata:

• torrhalt och viskositet
• COD/TOC (organiskt innehåll)
• metallhalter (via proxy-sensorer + labbdata)

Med bättre prognoser kan man planera driftpunkter och undvika att elektrod- eller biosteg hamnar i ”fel läge”.

2) Optimering av energi, utbyte och kostnad i realtid

I en kedja med tre steg finns målkonflikter: maximera vätgas, maximera ättiksyra, maximera protein, minimera kemikalier, minimera driftstopp.

Det är ett klassiskt optimeringsproblem där AI kan användas för:

• modellprediktiv styrning (MPC) med maskininlärda modeller
• multiobjektiv optimering (utbyte vs kostnad vs klimat)
• dynamisk setpoint-hantering utifrån elpris och solinstrålning

Svensk kontext: med timpriser och ökande effektbrist i vissa nätområden blir det extra relevant att kunna styra laster och produktion smart.

3) Digital tvilling för skalning och riskminimering

En digital tvilling av processen (mass- och energibalans + datadrivna delmodeller) gör att man kan testa:

• hur stora bufferttankar behövs
• hur man hanterar vinterdrift/solbrist
• underhållsstrategier för elektroder

Det minskar risken när man går från pilot till fullskala—och kortar vägen till investeringsbeslut.

4) Kvalitetssäkring för foder: spårbarhet och säkerhet

Single-cell protein låter lovande, men foderkedjan kräver kontroll. AI kan hjälpa till med:

• avvikelsedetektering (kontaminanter, processdrift)
• batch-spårning och dokumentation
• prediktion av näringsprofil utifrån driftparametrar

Det här är ofta där kommersialisering vinns eller förloras.

Vanliga frågor: det läsare brukar undra

Kärnpunkten: De viktigaste frågetecknen handlar om säkerhet, ekonomi och integration.

Är det här ”grönt väte” på riktigt?

Ja—i den meningen att energin i försöket kommer från solenergi och att man samtidigt hanterar en avfallsström. Men i praktiken måste man räkna på hela systemet: kemikalier, material i elektroder, driftel vid låg solinstrålning och logistik.

Kan svenska reningsverk använda det här?

Tekniskt sett kan principen passa, men det kräver anpassning:

• nordiskt klimat (mindre sol vintertid)
• befintliga processlinjer och utrymme
• regelverk kring slam, biprodukter och foder

En realistisk väg är pilot i anslutning till större reningsverk där man kan nyttja spillvärme, ha bättre processkontroll och koppla vätgas till lokala industriella behov.

Vad är största hindret?

Kostnaden och komplexiteten i den elektrokemiska delen, plus integrationen i befintliga anläggningar. Det är här AI-baserad driftoptimering kan göra att man når lönsamhet snabbare—inte som ”nice to have”, utan som en del av grunddesignen.

Så kan du ta nästa steg – oavsett om du jobbar med energi, VA eller industri

Kärnpunkten: Börja med data, driftfall och en tydlig nyttokalkyl.

Om du sitter på ett reningsverk, i en kommun, på ett energibolag eller i industrin är det här en praktisk startlista:

1. Kartlägg slamprofilen: variation över året, metallhalter, organiskt innehåll, volymer.
2. Identifiera lokala avsättningar: vätgas (industri, fordon, intern användning) och protein (foderaktörer) eller alternativt andra bioprodukter.
3. Bygg ett datalager: samla driftdata + labbdata i en struktur som går att modellera.
4. Kör en förstudie med digital tvilling: simulera mass- och energiflöden och testa känslighet.
5. Planera AI-styrning från dag 1: sensorer, datakvalitet, styrstrategi och cybersäkerhet.

Jag gillar den här typen av projekt eftersom de tvingar fram ett ärligt svar på frågan: vill vi bara ”bli av med” avfall, eller vill vi designa system som skapar värde?

När grön vätgas, cirkulär ekonomi och robust VA-infrastruktur diskuteras i Sverige 2025 är det lätt att prata om dem var för sig. Den här forskningen visar att de hör ihop—och att AI kan vara kittet som gör det driftbart.

Om nästa generations reningsverk ska bli en del av energisystemet, vilken roll vill din organisation ta: passiv mottagare av krav, eller aktiv producent av resurser?