Processteknikföraget C-Green meddelar att de har tagit fram ett AI-baserat analysverktyg som gör det möjligt att förutse resultat av hydrotermisk karbonisering (HTC) redan innan tester genomförs.
Genom att kombinera kemisk analys med maskininlärning kan verktyget effektivisera tester, förkorta utvecklingscykler och bidra till mer träffsäkra resultat. Ambitionen är att redan i förväg kunna identifiera vilken typ av slam som ger bäst energibalans samt vilka processparametrar som optimerar HTC-biokolets egenskaper för olika användningsområden.
Verksamheter som får slam som en biprodukt är framförallt massabruk och kommunala reningsverk.
För massabruken har företaget gjort tester tillsammans Karlstad Universitet där HTC-biokolet använts i plantskolor för att ersätta torv (som klassas som fossilt) samt även tester med HTC-biokol som pelleterat skogsgödsel.
– Med AI kan vi förutse processutfall istället för att analysera i efterhand. Verktyget blir ett gränssnitt som sammanfattar hela vår kunskapsdatabas på både hög och låg nivå. Inga gissningar, bara relevanta data, säger Johan Qviström, projektledare, C-Green, i ett pressmeddelande.
– En stor del av vår verksamhet består av slamanalyser, och detta verktyg innebär en kraftig effektivisering och en tydlig kostnadsbesparing. Vi befinner oss just nu i en process där vi söker strategiska samarbeten, och med AI kan vi tillsammans med partners utveckla HTC-processen snabbare, mer resurseffektivt och med högre precision, säger Monika Schildknecht, CEO, C-Green.
