Dal Politecnico di Zurigo, un metodo innovativo per la selezione rapida e a basso costo di catalizzatori metallici da impiegare su larga scala nella conversione di idrogeno e anidride carbonica in metanolo green.
In un articolo a cura del World Economic Forum in tema di transizione energetica, gli autori si domandano, non senza retorica, che fine abbia fatto il metanolo verde nella ricerca, sempre più urgente, di alternative sostenibili ai combustibili fossili.
Ricordiamo che, secondo l’International Council on Clean Transportation (ICCT), il metanolo – «stretto parente chimico liquido dell’etanolo» – si distingue in quattro tipologie, comprendenti il cosiddetto “metanolo grigio”, proveniente dal gas naturale; il “metanolo blu”, ottenuto dal gas naturale, al quale vanno ad aggiungersi la cattura e lo stoccaggio del carbone; il “biometanolo”, generato dalla biomassa (anch’esso sotto il cappello di “metanolo verde” o “rinnovabile”) e, infine, l’e-metanolo, prodotto, avvalendosi di energia da fonti rinnovabili, attraverso la cattura di idrogeno e di anidride carbonica (CO2), che è il genere di metanolo green di cui tratteremo [fonte: “A Step Forward For “Green” Methanol And Its Potential To Deliver Deep Ghg Reductions In Maritime Shipping” – International Council on Clean Transportation].
Il Methanol Institute sostiene che il metanolo verde sia in grado di ridurre complessivamente le emissioni di anidride carbonica del 60-95%. Eppure, tornando all’interrogativo che si pone il WEF, la sua produzione è «ad oggi ancora bassa, con meno di 0,2 milioni di tonnellate prodotte ogni anno a livello globale, contro i 98 milioni di tonnellate di metanolo convenzionale ottenuto da combustibili fossili».
E anche se il mercato del metanolo verde è, comunque, dato in crescita, con diversi Paesi (Cina in testa) che ne riconoscono il potenziale, al momento il suo sviluppo – rimarcano gli analisti – è rallentato «da una questione di costi, ancora significativamente più alti rispetto a quelli relativi alla produzione di metanolo a base di gas naturale e carbone».
Takeaway
Metanolo verde, perché i suoi costi di produzione sono elevati
L’International Renewable Energy Agency (IRENA) precisa che i costi per produrre e-metanolo si aggirano tra gli 800 e i 1.600 dollari per tonnellata. Tariffe – queste – dovute alla complessità e ai tempi prolungati della sua lavorazione, che rende necessario l’impiego di “elettrolizzatori”, dispositivi elettrochimici che consentono di scindere l’idrogeno dall’ossigeno. Idrogeno che, successivamente, viene convertito in metanolo verde all’interno di un reattore, mediante un processo catalitico con anidride carbonica [fonte: “Innovation Outlook: Renewable Methanol“ – International Renewable Energy Agency].
In chimica, un processo catalitico è tale perché fondato sull’utilizzo di catalizzatori, il cui ruolo è quello di supportare le reazioni, accelerandole. I catalizzatori metallici, in particolare, aumentano la resa del prodotto.
Nell’ambito della produzione chimica e di prodotti combustibili, la ricerca e lo sviluppo di catalizzatori metallici ad hoc rappresenta un elemento chiave, che esige l’analisi di molteplici variabili, con migliaia o milioni di potenziali combinazioni. E, nello specifico comparto della produzione di metanolo verde, esso diventa, addirittura, un aspetto spinoso, poiché «le combinazioni di metalli sono infinite. E lo spazio chimico in cui si cercano catalizzatori metallici comprende circa 1020 possibilità», osserva un gruppo di scienziati del Department Chemistry and Applied Biosciences del Politecnico di Zurigo, impegnati nella piattaforma tecnologica SwissCat+ (in seno all’École Polytechnique Fédérale de Losanna) e autori dello studio “Accelerated exploration of heterogeneous CO2 hydrogenation catalysts by Bayesian-optimized high-throughput and automated experimentation”, reso ufficiale dalla rivista scientifica Chem Catalysis sul numero di febbraio 2024.
Obiettivo del team, tentare di ridurre lo “spazio chimico” in cui reperire i catalizzatori metallici idonei alla sintesi del metanolo green, abbassando in modo significativo il numero delle possibilità di quelli efficaci, fruibili su larga scala e a basso costo tra cui scegliere.
Verso la digitalizzazione del calcolo delle composizioni catalitiche
Nel dettaglio, il lavoro dei ricercatori del Politecnico di Zurigo ha visto la messa a punto di un metodo che consente la digitalizzazione del calcolo delle composizioni di catalizzatori metallici da impiegare nella produzione di metanolo verde. Ma procediamo con ordine.
Innanzitutto, per definirsi strumenti utilizzabili “su larga scala” e poco costosi, le composizioni catalitiche devono essere costituite da metalli relativamente economici. Motivo per cui, la scelta del team di studio è ricaduta, in primis, su ferro, rame e cobalto, ai quali ha poi aggiunto dei materiali di supporto, tra cui quattro ossidi metallici. Dal tutto, «moltiplicato per i diversi rapporti di miscelazione, si ottengono comunque venti milioni di combinazioni possibili» spiegano gli autori.
È a questo punto che hanno sviluppato un algoritmo di machine learning che, sfruttando la tecnica denominata “ottimizzazione bayesiana” (o Bayesian Optimization), è stato in grado di identificare – a partire dai tre metalli prescelti dal gruppo di lavoro – le migliori combinazioni possibili con le quali comporre i catalizzatori metallici.
L’ottimizzazione bayesiana perfeziona il processo decisionale, sostenendo la ricerca dei «parametri ottimali più probabili per un dato sistema o modello». Contrariamente agli approcci di ottimizzazione tradizionali, questa tecnica si focalizza su quel sottoinsieme di dati in input che presenta maggiori probabilità di produrre output di valore [fonte: “Bayesian Optimization” – ScienceDirect].
La ricerca del miglior catalizzatore possibile per la produzione di metanolo verde
Nella prima fase di test al quale è stato sottoposto l’algoritmo di apprendimento automatico, questo haselezionato in modo casuale ventiquattro composizioni di catalizzatori metallici maggiormente in linea con le specifiche e gli obiettivi somministratigli in fase di addestramento.
I ricercatori del Politecnico di Zurigo fanno, però, sapere che questa prima selezione di composizioni catalitiche è servita, in realtà, come punto di partenza per testare il processo decisionale dell’algoritmo AI messo a punto. Dunque, in questa prima battuta, «la preoccupazione principale non era quella di trovare il miglior catalizzatore possibile per la produzione del metanolo verde». Ma era un’altra:
«… attualmente, le conoscenze sui catalizzatori per la produzione di carburante si basano prevalentemente sulle competenze dell’industria petrolifera. Quando si tratta di reazioni chimiche riferite al settore dell’energia sostenibile, mancano ancora in gran parte dati affidabili con i quali addestrare gli algoritmi di intelligenza artificiale. Tuttavia, questi ultimi hanno bisogno di tali dati prima di poter effettuare ricerche in modo più mirato nel vasto spazio delle possibilità chimiche»
Dunque, la prima selezione ha messo alla prova quanto fosse robusto – sotto il profilo dei dati di addestramento forniti dal laboratorio svizzero – l’algoritmo di machine learning con tecnica di Bayesian Optimization.
Tornando alle ventiquattro composizioni catalitiche metalliche selezionate dall’algoritmo AI e testate in laboratorio in una sola settimana, queste – nel dettaglio – erano costituite da sistemi di zirconio a base di rame. Notano gli autori:
«Questa è una composizione che ogni scienziato avrebbe suggerito dopo un’attenta ricerca bibliografica, ma che un algoritmo di apprendimento automatico, senza alcuna conoscenza specifica del dominio, ma con l’ausilio della tecnica di ottimizzazione bayesiana e per mezzo dello spazio chimico iniziale e dei vincoli e degli obiettivi somministrati, è riuscito a elaborare»
La seconda fase di test – a partire dalle composizioni inizialmente selezionate – ha visto la tecnica di Bayesian Optimization ridurre complessivamente il carico di rame (in quanto, un carico eccessivo può avere effetti negativi sulle prestazioni catalitiche) e aggiungere una piccola quantità di zinco e di cerio, «tra i più noti catalizzatori ternari a base di rame», per massimizzare l’attività riducendo, al tempo stesso, i costi.
Infine, durante la terza e ultima fase dei lavori, l’ottimizzatore bayesiano è giunto alla composizione catalitica ideale per la sintesi di metanolo verde, suggerendo catalizzatori a base di indio anziché di rame, supportati da ossido di zirconio. Tutti elementi presenti nel set di dati iniziale, ma passati al vaglio ed elaborati in tre momenti successivi, in un arco di tempo complessivo di cinque settimane.
Glimpses of Futures
Esplorare tecniche e metodi volti a ottimizzare in modo rapido ed economico catalizzatori metallici da impiegare su larga scala per la conversione di idrogeno e CO2 in metanolo verde, significa, da qui ai prossimi anni, contribuire ad abilitare la transizione verso un combustibile rinnovabile ritenuto strategico, in particolare,nella decarbonizzazione del trasporti terrestri, marittimi e aerei, come evidenziato nel documento che illustra il progetto Laurelin – finanziato dall’UE – in tema di soluzioni innovative per la produzione di metanolo green, avviato a maggio del 2021 e destinato a completarsi ad aprile 2025.
I risultati del lavoro del Politecnico di Zurigo – che ha realizzato in poche settimane quello che, tradizionalmente, ha sempre richiesto anni – vanno nella direzione di un approccio inedito all’annosa questione delle tempistiche necessarie alla ricerca e allo sviluppo del catalizzatore metallico performante, a basso costo e fruibile.
I catalizzatori a base di indio e ossido di zirconio selezionati dall’intelligenza artificiale con Bayesian Optimization sono ora al vaglio nei laboratori di SwissCat+. Al di là, però, dell’applicazione principe per la quale sono stati ideati, ossia il sostegno alla conversione di idrogeno e CO2 in metanolo verde, essi – rimarca il team di studio – potrebbero, in futuro, sostenere anche altre reazioni chimiche all’interno di spazi chimici più ampi, dove, ad esempio, l’evoluzione del catalizzatore in questione verrebbe guidata da altri vincoli e da altri obiettivi.
Ricorrendo alla matrice STEPS, tentiamo ora di anticipare scenari futuri, analizzando i possibili impatti che l’evoluzione della metodologia per la digitalizzazione del calcolo delle composizioni di catalizzatori metallici nella produzione di metanolo verde potrebbe avere dal punto di vista sociale, tecnologico, economico, politico e della sostenibilità.
S – SOCIAL: sotto il profilo sociale, l’impatto positivo di una futura evoluzione del metodo illustrato dai ricercatori dell’Ateneo di Zurigo potrebbe tradursi, in primis, nella facilitazione della transizione verso il metanolo verde quale carburante sostenibile nell’ambito del trasporto su strada, ad oggi – secondo l’Annual European Union greenhouse gas Inventory 1990-2021 and Inventory Report 2023 dell’European Environment Agency – il comparto responsabile di oltre il 22% delle emissioni di gas serra all’interno del continente europeo. Tale transizione è in linea con gli obiettivi climatici dell’Unione e, più in particolare, con l’accordo provvisorio (in attesa dell’adozione formale) del 9 febbraio 2024 del Consiglio e del Parlamento UE sulla riduzione delle emissioni dei veicoli pesanti – tra cui autocarri, autobus e rimorchi – per il 2030, 2035 e 2040.
T – TECHNOLOGICAL: in futuro, l’evoluzione della metodologia per la digitalizzazione del calcolo delle composizioni di catalizzatori metallici nella produzione di metanolo verde – che attualmente vede il connubio tra tecniche di apprendimento automatico e tecniche di Bayesian Optimization – dovrà passare attraverso una definizione più puntuale e sistematica dei dataset di addestramento degli algoritmi, che dovranno essere sempre più affidabili e mirati e sempre più basati sulle competenze specifiche del settore dell’energia sostenibile e non presi a prestito dall’industria petrolifera.
E – ECONOMIC: dal punto di vista economico, in un possibile scenario futuro in cui l’accelerazione della transizione verso il metanolo verde diverrà sempre più spinta – grazie all’ottimizzazione rapida di catalizzatori metallici da adottare su larga scala per la conversione di idrogeno e CO2 in metanolo green – si renderanno necessari investimenti lungo tutta la catena del valore, destinati, in particolare, allo sviluppo delle tecnologie di produzione, alla creazione di infrastrutture industriali e di stoccaggio e all’implementazione. Scelte – queste – destinate a correlarsi con strategie commerciali atte alla creazione di posti di lavoro nello specifico segmento dell’e-metanolo, nonché all’istituzione di figure professionali con competenze ad hoc.
P – POLITICAL: in futuro, l’ipotesi di adozione conclamata – nei diversi Paesi – del metanolo verde in sostituzione dei combustibili fossili, specie in riferimento al settore dei trasporti, potrebbe riflettersi, a livello politico, rendendo urgente l’esigenza di dipanare un nodo ritenuto, in generale, cruciale nell’ambito della produzione di energia, ovvero la definizione di strumenti politici finalizzati ad assicurare un «trattamento fiscale equo e un prezzo minimo garantito a lungo termine per la produzione di e-metanolo» [fonte: “Renewable Methanol: An Enabler for Carbon Neutrality in the Chemical & Liquid Fuel Sectors” – International Renewable Energy Agency].
S – SUSTAINABILITY: immaginare un futuro in cui, a livello globale, la transizione verso il metanolo verde – grazie anche al ricorso alle tecniche di intelligenza artificiale – sarà completata, significa, come sottolinea la stessa International Renewable Energy Agency (IRENA), «avere espanso l’uso dell’e-metanolo come materia prima combustibile, raggiungendo l’obiettivo delle zero emissioni nette (Net Zero) in tutti i settori industriali, non solo nei trasporti». È, questo, il traguardo più alto in termini di sostenibilità ambientale, al quale puntano la politica verde dell’UE e, più in generale, l’Agenda 2030 dell’Organizzazione delle Nazioni Unite (Obiettivo 13 – “Adottare misure urgenti per combattere i cambiamenti climatici e le loro conseguenze”).
