La industria del cemento produce alrededor del ocho por ciento de las emisiones mundiales de CO2, más que todo el sector de la aviación en todo el mundo. Los investigadores del PSI del Instituto Paul Scherrer han desarrollado un modelo basado en IA que ayuda a acelerar el descubrimiento de nuevas formulaciones de cemento que podrían producir la misma calidad de materials con una mejor huella de carbono.
Los hornos rotativos en las plantas de cemento se calientan a un abrasador de 1.400 grados Celsius para quemar la piedra caliza de tierra hasta el clinker, la materia prima para el cemento listo para usar. Como period de esperar, tales temperaturas generalmente no se pueden lograr con electricidad sola. Son el resultado de procesos de combustión intensivos en energía que emiten grandes cantidades de dióxido de carbono (CO2). Sin embargo, lo que puede ser sorprendente es que el proceso de combustión representa menos de la mitad de estas emisiones, mucho menos. La mayoría está contenida en las materias primas necesarias para producir clinker y cemento: el CO2 que está unido químicamente en la piedra caliza se libera durante su transformación en los hornos de alta temperatura.
Una estrategia prometedora para reducir las emisiones es modificar la receta de cemento en sí, reemplazar parte del clinker con materiales cementosos alternativos. Eso es exactamente lo que ha estado investigando un equipo interdisciplinario en el laboratorio para la gestión de residuos en el Centro de Ingeniería Nuclear y Ciencias de PSI. En lugar de confiar únicamente en experimentos que requieren mucho tiempo o simulaciones complejas, los investigadores desarrollaron un enfoque de modelado basado en el aprendizaje automático. “Esto nos permite simular y optimizar las formulaciones de cemento para que emitan significativamente menos CO2 mientras mantienen el mismo alto nivel de rendimiento mecánico”, explica la matemática Romana Boiger, primer autor del estudio. “En lugar de probar miles de variaciones en el laboratorio, podemos usar nuestro modelo para generar sugerencias prácticas de recetas en segundos: es como tener un libro de cocina digital para cemento climático”.
Con su enfoque novedoso, los investigadores pudieron filtrar selectivamente las formulaciones de cemento que podrían cumplir con los criterios deseados. “El rango de posibilidades para la composición del materials, que finalmente determina las propiedades finales, es extraordinariamente vasta”, cube Nikolaos Prasianakis, jefe del Grupo de Investigación de Mecanismos de Transporte, en PSI, quien fue el iniciador y coautor del estudio. “Nuestro método nos permite acelerar significativamente el ciclo de desarrollo seleccionando candidatos prometedores para una mayor investigación experimental”. Los resultados del estudio se publicaron en la revista. Materiales y estructuras.
La receta correcta
Ya hoy, los subproductos industriales, como la escoria de la producción de hierro y las cenizas volantes de las centrales eléctricas a carbón, ya se están utilizando para reemplazar parcialmente el clinker en las formulaciones de cemento y, por lo tanto, reducir las emisiones de CO2. Sin embargo, la demanda world de cemento es tan enorme que estos materiales por sí solos no pueden satisfacer la necesidad. “Lo que necesitamos es la combinación correcta de materiales que están disponibles en grandes cantidades y de las cuales se puede producir cemento confiable de alta calidad”, cube John Provis, jefe del Grupo de Investigación de Sistemas de Cemento en PSI y coautor del estudio.
Sin embargo, encontrar tales combinaciones es un desafío: “El cemento es básicamente un agente de unión mineral: en concreto, usamos cemento, agua y grava para crear artificialmente minerales que mantienen todo el materials”, explica Provis. “Se podría decir que estamos haciendo geología en rápido movimiento”. Esta geología, o más bien, el conjunto de procesos físicos detrás de ella, es enormemente compleja, y modelarla en una computadora es correspondientemente intensivo computacionalmente y costoso. Es por eso que el equipo de investigación depende de la inteligencia synthetic.
AI como acelerador computacional
Las redes neuronales artificiales son modelos de computadora que están capacitados, utilizando datos existentes, para acelerar los cálculos complejos. Durante el entrenamiento, la crimson se alimenta de un conjunto de datos conocido y aprende de él ajustando la fuerza relativa o la “ponderación” de sus conexiones internas para que pueda predecir de manera rápida y confiable relaciones similares. Esta ponderación sirve como una especie de atajo, una alternativa más rápida al modelado físico de otro modo computacionalmente intensivo.
Los investigadores de PSI también hicieron uso de una crimson neuronal de este tipo. Ellos mismos generaron los datos requeridos para la capacitación: “Con la ayuda de las gemas de software program de modelado termodinámico de código abierto, desarrolladas en PSI, calculamos, para varias formulaciones de cemento, que forman los minerales durante el endurecimiento y los procesos geoquímicos tienen lugar”, explica Nikolaos Prasianakis. Al combinar estos resultados con datos experimentales y modelos mecánicos, los investigadores pudieron obtener un indicador confiable para las propiedades mecánicas y, por lo tanto, para la calidad del materials del cemento. Para cada componente utilizado, también aplicaron un issue CO2 correspondiente, un valor de emisión específico que permitió determinar las emisiones totales de CO2. “Ese fue un ejercicio de modelado muy complejo y computacionalmente intensivo”, cube el científico.
Pero valió la pena el esfuerzo: con los datos generados de esta manera, el modelo AI pudo aprender. “En lugar de segundos o minutos, la crimson neuronal entrenada ahora puede calcular las propiedades mecánicas para una receta de cemento arbitraria en milisegundos, es decir, alrededor de mil veces más rápido que con el modelado tradicional”, explica Boiger.
De la salida a la entrada
¿Cómo se puede utilizar ahora esta IA para encontrar formulaciones de cemento óptimas, con las emisiones de CO2 más bajas posibles y la alta calidad de materials? Una posibilidad sería probar varias formulaciones, usar el modelo AI para calcular sus propiedades y luego seleccionar las mejores variantes. Sin embargo, un enfoque más eficiente es revertir el proceso. En lugar de probar todas las opciones, haga la pregunta al revés: ¿qué composición de cemento cumple con las especificaciones deseadas con respecto al equilibrio de CO2 y la calidad del materials?
Tanto las propiedades mecánicas como las emisiones de CO2 dependen directamente de la receta. “Visto matemáticamente, ambas variables son funciones de la composición: si esto cambia, las propiedades respectivas también cambian”, explica el matemático. Para determinar una receta óptima, los investigadores formulan el problema como una tarea de optimización matemática: están buscando una composición que simultáneamente maximice las propiedades mecánicas y minimice las emisiones de CO2. “Básicamente, estamos buscando un máximo y un mínimo; a partir de esto, podemos deducir directamente la formulación deseada”, cube el matemático.
Para encontrar la solución, el equipo integró en el flujo de trabajo una tecnología AI adicional, los llamados algoritmos genéticos: métodos asistidos por computadora inspirados en la selección pure. Esto les permitió identificar selectivamente formulaciones que idealmente combinan las dos variables objetivo.
La ventaja de este “enfoque inverso”: ya no tiene que probar ciegamente innumerables recetas y luego evaluar sus propiedades resultantes; En su lugar, puede buscar específicamente aquellos que cumplan con los criterios específicos deseados; en este caso, las propiedades mecánicas máximas con emisiones mínimas de CO2.
Enfoque interdisciplinario con gran potencial
Entre las formulaciones de cemento identificadas por los investigadores, ya hay algunos candidatos prometedores. “Algunas de estas formulaciones tienen un potencial actual”, cube John Provisis, “no solo en términos de reducción y calidad de CO2, sino también en términos de viabilidad práctica en la producción”. Para completar el ciclo de desarrollo, sin embargo, las recetas primero deben probarse en el laboratorio. “No vamos a construir una torre con ellos de inmediato sin probarlos primero”, cube Nikolaos Prasianakis con una sonrisa.
El estudio sirve principalmente como una prueba de concepto, es decir, como evidencia de que las formulaciones prometedoras pueden identificarse puramente por cálculo matemático. “Podemos extender nuestra herramienta de modelado de IA según sea necesario e integrar aspectos adicionales, como la producción o disponibilidad de materias primas, o cuando se utilizará el materials de construcción, por ejemplo, en un entorno marino, donde el cemento y el concreto se comportan de manera diferente, o incluso en el desierto”, cube Romana Boigernikolaos Prasianakis. Enfoque muy prometedor para todo tipo de diseños de materiales y sistemas “.
Sin los antecedentes interdisciplinarios de los investigadores, el proyecto nunca se habría hecho realidad: “Necesitamos químicos de cemento, expertos en termodinámica, especialistas en IA, y un equipo que podría unir todo esto”, cube Prasianakis. “Se agregó a esto el importante intercambio con otras instituciones de investigación, como Empa, en el marco del proyecto de escena”. La escena (el Centro de Excelencia Suiza en las emisiones netas de cero) es un programa de investigación interdisciplinario que tiene como objetivo desarrollar soluciones científicamente sólidas para reducir drásticamente las emisiones de gases de efecto invernadero en la industria y el suministro de energía. El estudio se llevó a cabo como parte de este proyecto.
