AI kan vässa termokemisk vätgas med järnoxid

0,528 % vatten-till-vätgas per gram oxid. Det är siffran som gör att jag höjer på ögonbrynen – inte för att den låter stor (det gör den inte), utan för att den är mer än en fördubbling jämfört med tidigare toppnivå (0,250 %) i en svår process: termokemisk vattenspjälkning.

Nyheten handlar om en järnbaserad oxid som beter sig som en "syresvamp". I stället för att bara ”andas” lite syre via små avvikelser i struktur, kan materialet växla fas på ett sätt som ger högre syrekapacitet vid lägre temperaturer. Och här finns en tydlig koppling till vår serie AI inom energi och hållbarhet: när materialen blir mer komplexa och driftfönstret snävare, blir AI ett praktiskt verktyg för att hitta rätt sammansättning, rätt cykeltider och rätt styrning.

Det här inlägget går igenom vad genombrottet faktiskt betyder, varför temperatur och materialmekanik är flaskhalsar – och hur AI kan ta tekniken från labbresultat till robusta pilotsystem.

Vad betyder ”syresvamp” i termokemisk vätgas?

Syresvamp är en bra förenkling: en metalloxid tar upp syre i ett steg och släpper ifrån sig syre i nästa. Poängen är att man kan använda värme för att driva en redoxcykel som i praktiken spjälkar vatten till vätgas, utan att behöva el som i elektrolys.

Termokemisk vattenspjälkning – två steg som måste sitta

En typisk cykel kan beskrivas så här:

1. Reduceringssteg (hög temperatur): Oxiden avger syre (blir mer ”syrefattig”).
2. Oxideringssteg (lägre temperatur, med ånga): Den syrefattiga oxiden tar tillbaka syre från vattenånga – och då bildas vätgas.

Det här låter enkelt på papper. I praktiken är materialet allt. Oxiden måste:

• hålla för många cykler utan att pulveriseras eller sintra ihop
• ha tillräckligt stor syrekapacitet för att ge rimlig vätgasutbyte
• fungera vid temperaturer som inte kräver exotiska reaktorer

Det är här det nya materialet blir intressant.

Varför är temperaturen en dealbreaker?

De flesta konventionella oxidmaterial kräver extremt höga temperaturer för att ge acceptabel syreavgång i reduceringssteget. Höga temperaturer betyder:

• dyrare material i reaktor och värmeväxlare
• större värmeförluster
• svårare drift, fler stopp, snabbare degradering

Det är därför ”lägre temperatur” inte är en detalj. Det är ofta skillnaden mellan en snygg artikel och en process som kan skala.

Genombrottet: järnfattig nickel-ferrit som byter fas

Kärnan i forskningsresultatet är ett nytt oxidmaterial: järnfattig nickel-ferrit (Fe-poor NiFe2O4, NFO).

Direkt svar: Materialet ger högre syreutbyte genom fasomvandling i stället för att bara förlita sig på små, icke-stökiometriska syrevariationer.

Från ”lite syre hit och dit” till verklig syrekapacitet

Många metaloxider jobbar genom att ”låna” och ”lämna tillbaka” små mängder syre i sin kristallstruktur. Det begränsar hur mycket vätgas man kan få per cykel.

Den järnfattiga ferriten beter sig annorlunda: den har en mekanism där materialet kan gå mellan faser, vilket öppnar för mer syretransport och därmed mer vätgas – utan att kräva samma extrema temperaturer som annars.

Siffran som spelar roll

De rapporterade resultaten:

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

Det är mer än en fördubbling av konverteringseffektiviteten per gram oxid i experimentupplägget.

En bra tumregel: när ett labbresultat visar 2× förbättring i en cyklisk process är det ofta ett tecken på att någon hittat en ny mekanism, inte bara finjusterat en parameter.

”Strukturella aktiva sajter” – varför mekanismen är minst lika viktig

Forskargruppen gick inte bara på resultat, utan försökte också förstå varför det fungerar. Med experiment och beräkningar identifierade de så kallade strukturella aktiva sajter i järnoxidmaterialet.

De kopplade dessutom vätgasutbytet till en redox-svängning mellan två typer av järnplatser (järn i olika lokala miljöer/oxidationstillstånd). Den typen av insikt är guld värd, eftersom den gör materialdesign mer styrbar.

Var kommer AI in? Från materialdesign till driftoptimering

När någon säger ”AI i energi” tänker många på smarta elnät och lastprognoser. Men i grön vätgas är AI ofta som mest konkret i två områden: materialutveckling och processstyrning.

Direkt svar: AI kan korta vägen från lovande oxid till stabil vätgasproduktion genom att optimera sammansättning, cykelparametrar och degraderingskontroll.

AI för att hitta rätt oxid – snabbare än trial-and-error

Material som NFO har många frihetsgrader: dopning, förhållandet Ni/Fe, partikelstorlek, porositet, sintringsmetoder och cykeltemperaturer. Att testa allt manuellt är långsamt och dyrt.

Här fungerar maskininlärning särskilt bra:

• Surrogatmodeller som lär sig sambandet mellan sammansättning/struktur och syrekapacitet
• Bayesiansk optimering för att välja nästa experiment som ger mest information
• Generativa modeller (i praktiken: ”materialsök”) för att föreslå nya ferriter och stabiliserare

Jag har sett att det som avgör framgång inte är flashig AI, utan bra data: konsekventa mätserier över många cykler, med tydliga metadata om tillverkning och drift.

Digital tvilling för termokemisk vätgas: styrning som sparar värme

Termokemiska cykler är värmeintensiva. Den stora kostnaden är ofta inte oxidpulvret, utan hur effektivt man:

• värmer upp och kyler ner
• återvinner värme mellan stegen
• undviker temperaturtoppar som förstör materialet

En digital tvilling (fysikmodell + ML-korrigering) kan användas för att optimera:

• cykeltider (hur länge i varje steg)
• ångflöde och partialtryck
• rampning (hur snabbt temperaturen ändras)
• värmeåtervinning via värmeväxlare och intern recirkulation

Målet är enkelt formulerat: maximera vätgas per tillförd joule värme, inte bara per gram oxid.

Prediktivt underhåll: förutsäg när ”syresvampen” tappar ork

Cykling sliter. Oxider kan sintra, spricka eller få sämre diffusion. AI kan hjälpa genom att koppla sensordata (temperaturprofiler, tryck, gasanalys, flöden) till degraderingsmönster.

Praktiskt upplägg i en pilot:

1. Samla högupplöst driftdata per cykel.
2. Bygg modeller som predikterar vätgasutbyte nästa N cykler.
3. Sätt larmgränser och rekommendera åtgärder: justera rampning, minska toppar, planera regenereringssteg.

Det låter kanske som ”industri 4.0”-snack, men i termokemiska system är det ofta skillnaden mellan stabil drift och att man står still i veckor.

Vad betyder detta för Sverige och industrin 2026–2030?

Direkt svar: Det här är relevant eftersom Sverige har både värmekällor och industriproblem som passar termokemisk vätgas – om tekniken blir tillräckligt effektiv och driftsäker.

Spillvärme och solvärme: två realistiska värmespår

Forskarna pekar på att processen kan drivas av solvärme eller industriell spillvärme. För svensk kontext är spillvärme ofta mer praktiskt i närtid.

Exempel på miljöer där värme finns men är svår att använda perfekt:

• stål- och metallindustri
• kemi- och raffinaderimiljöer
• massa- och pappersprocesser med högtemperaturflöden

Om en oxid kan jobba vid lägre temperaturer blir fler av dessa värmeströmmar relevanta. AI behövs sedan för att matcha en varierande värmeprofil med en cyklisk vätgasprocess.

Vätgasens roll: där elektroner inte räcker

Grön vätgas är mest motiverad där direkt elektrifiering är svår:

• högtemperaturprocesser
• reduktionsmedel i industrin
• vissa tunga transporter och marina bränslen (beroende på infrastruktur)

Termokemisk vätgas konkurrerar inte alltid med elektrolys – ibland kompletterar den. Om du redan har ”gratis” värme i form av spillvärme kan termokemi bli ett attraktivt ben.

Vanliga följdfrågor (och raka svar)

Är 0,528 % effektivitet bra?

Det är bra som materialgenombrott, eftersom det visar en ny mekanism och mer än fördubblad konvertering jämfört med tidigare toppnivå i samma kategori. Men kommersiell relevans kräver systemnivå: värmeåtervinning, cykelstabilitet och kostnad per kg vätgas.

Varför just järnoxid och ferriter?

Järn är billigt och tillgängligt, och ferriter har strukturer som kan vara stabila vid höga temperaturer. Det är attraktivt jämfört med mer sällsynta eller dyra material.

Vad är den största risken när man skalar?

Två saker brukar fälla lovande oxider:

• degradering över många cykler (sintering/strukturförändring)
• värmehantering (förluster och termisk stress)

Båda är områden där AI kan ge praktisk effekt: snabbare materialval och stabilare drift.

Nästa steg: så tar du AI från idé till vätgas-pilot

Om du jobbar med energi, industri eller hållbarhetsstrategi och vill göra detta konkret under 2026, är en rimlig start att formulera ett pilotupplägg som samlar rätt data från början.

En enkel checklista jag brukar använda:

1. Definiera målfunktionen: vätgas per tillförd värme, per timme, per kg oxid – välj en och håll dig till den.
2. Designa datainsamling: sensorer, provtagningspunkter, gasanalys, cykelloggning.
3. Bygg en basmodell: en fysikmodell för energi- och massbalanser.
4. Lägg ML ovanpå: prediktion av utbyte och degradering, optimering av cykelparametrar.
5. Stäng loopen: styrning som faktiskt ändrar drift i realtid (inom säkra ramar).

Det är exakt här vår serie AI inom energi och hållbarhet blir praktisk: AI handlar inte om att ersätta processingenjören – den handlar om att göra fler iterationer, snabbare, med mindre slöseri av energi och tid.

Grön vätgas behöver fler vägar än elektrolys. Den här ”syresvampen” i järnoxid visar att materialvetenskapen rör sig – och att AI kan göra skillnaden mellan ett lovande pulver och en process som går dygnet runt. Vilken värmeström i din verksamhet skulle du vilja förvandla till vätgas först?