L'intelligenza artificiale apre la strada al cemento verde

I forni rotanti delle cementerie sono riscaldati a 1.400 gradi Celsius per bruciare il calcare macinato e trasformarlo in clinker, la materia prima del cemento pronto all'uso. Non sorprende che tali temperature non possano essere raggiunte solo con l'elettricità. Sono il risultato di processi di combustione ad alta intensità energetica che emettono grandi quantità di anidride carbonica (CO₂). Ciò che può sorprendere, tuttavia, è che il processo di combustione rappresenta meno della metà di queste emissioni, molto meno. La maggior parte è contenuta nelle materie prime necessarie per produrre clinker e cemento: Il CO₂ legato chimicamente al calcare viene rilasciato durante la sua trasformazione nei forni ad alta temperatura.

Una strategia promettente per ridurre le emissioni è modificare la ricetta del cemento stesso, sostituendo parte del clinker con materiali cementizi alternativi. Questo è esattamente ciò che un team interdisciplinare del Laboratory for Waste Management del Center for Nuclear Engineering and Sciences del PSI sta studiando. Invece di affidarsi esclusivamente a esperimenti che richiedono molto tempo o a simulazioni complesse, i ricercatori hanno sviluppato un approccio di modellazione basato sull'apprendimento automatico. "Questo ci permette di simulare e ottimizzare le formulazioni del cemento in modo che emettano una quantità significativamente inferiore di CO₂ mantenendo lo stesso alto livello di prestazioni meccaniche", spiega la matematica Romana Boiger, prima autrice dello studio. "Invece di testare migliaia di varianti in laboratorio, possiamo usare il nostro modello per generare suggerimenti pratici di ricette in pochi secondi: è come avere un ricettario digitale per un cemento rispettoso del clima".

Grazie al loro approccio innovativo, i ricercatori sono riusciti a filtrare selettivamente le formulazioni di cemento che potevano soddisfare i criteri desiderati. "La gamma di possibilità per la composizione del materiale - che in ultima analisi determina le proprietà finali - è straordinariamente vasta", afferma Nikolaos Prasianakis, responsabile del gruppo di ricerca sui meccanismi di trasporto del PSI, promotore e coautore dello studio. "Il nostro metodo ci permette di accelerare significativamente il ciclo di sviluppo, selezionando i candidati promettenti per ulteriori indagini sperimentali". I risultati dello studio sono stati pubblicati sulla rivista Materials and Structures.

La ricetta giusta

Già oggi, sottoprodotti industriali come le scorie della produzione del ferro e le ceneri volanti delle centrali elettriche a carbone vengono utilizzati per sostituire parzialmente il clinker nelle formulazioni del cemento, riducendo così le emissioni di CO₂. Tuttavia, la domanda globale di cemento è così enorme che questi materiali da soli non possono soddisfare il fabbisogno. "Ciò di cui abbiamo bisogno è la giusta combinazione di materiali disponibili in grandi quantità, con cui produrre cemento affidabile e di alta qualità", afferma John Provis, responsabile del Cement Systems Research Group del PSI e coautore dello studio.

Trovare queste combinazioni, tuttavia, è una sfida: "Il cemento è fondamentalmente un legante minerale: nel calcestruzzo usiamo cemento, acqua e ghiaia per creare artificialmente i minerali che tengono insieme l'intero materiale", spiega Provis. "Si potrebbe dire che stiamo facendo geologia in fast motion". Questa geologia - o meglio, l'insieme dei processi fisici che ne sono alla base - è enormemente complessa e la sua modellazione al computer è di conseguenza intensiva e costosa. Per questo motivo il team di ricerca si affida all'intelligenza artificiale.

L'intelligenza artificiale come acceleratore computazionale

Le reti neurali artificiali sono modelli informatici che vengono addestrati, utilizzando dati esistenti, per accelerare calcoli complessi. Durante l'addestramento, la rete viene alimentata con una serie di dati noti e impara da essi regolando la forza relativa o la "ponderazione" delle sue connessioni interne in modo da poter prevedere rapidamente e in modo affidabile relazioni simili. Questa ponderazione serve come una sorta di scorciatoia, un'alternativa più veloce alla modellazione fisica, che altrimenti richiederebbe molto calcolo.

Anche i ricercatori del PSI hanno utilizzato una rete neurale di questo tipo. Sono stati loro stessi a generare i dati necessari per l'addestramento: "Con l'aiuto del software di modellazione termodinamica open-source GEMS, sviluppato al PSI, abbiamo calcolato, per diverse formulazioni di cemento, quali minerali si formano durante l'indurimento e quali processi geochimici hanno luogo", spiega Nikolaos Prasianakis. Combinando questi risultati con i dati sperimentali e i modelli meccanici, i ricercatori sono stati in grado di ricavare un indicatore affidabile per le proprietà meccaniche e quindi per la qualità materiale del cemento. Per ogni componente utilizzato, hanno anche applicato un corrispondente fattore di CO₂, un valore di emissione specifico che ha permesso di determinare le emissioni totali di CO₂. "Si è trattato di un esercizio di modellazione molto complesso e ad alta intensità di calcolo", spiega lo scienziato.

Ma ne è valsa la pena: con i dati generati in questo modo, il modello AI è stato in grado di imparare. "Invece di secondi o minuti, la rete neurale addestrata è ora in grado di calcolare le proprietà meccaniche di una ricetta di cemento arbitraria in millisecondi, cioè circa mille volte più velocemente rispetto alla modellazione tradizionale", spiega Boiger.

Dall'output all'input

Come si può ora utilizzare questa intelligenza artificiale per trovare formulazioni di cemento ottimali, con le minori emissioni di CO₂ possibili e un'elevata qualità del materiale? Una possibilità potrebbe essere quella di provare diverse formulazioni, utilizzare il modello AI per calcolare le loro proprietà e quindi selezionare le varianti migliori. Un approccio più efficiente, tuttavia, consiste nell'invertire il processo. Invece di provare tutte le opzioni, bisogna porsi la domanda al contrario: Quale composizione di cemento soddisfa le specifiche desiderate per quanto riguarda il bilancio di CO₂ e la qualità del materiale?

Sia le proprietà meccaniche che le emissioni di CO₂ dipendono direttamente dalla ricetta. "Dal punto di vista matematico, entrambe le variabili sono funzioni della composizione: se questa cambia, cambiano anche le rispettive proprietà", spiega il matematico. Per determinare una ricetta ottimale, i ricercatori formulano il problema come un compito di ottimizzazione matematica: Cercano una composizione che massimizzi contemporaneamente le proprietà meccaniche e minimizzi le emissioni di CO₂. "In sostanza, stiamo cercando un massimo e un minimo, da cui possiamo dedurre direttamente la formulazione desiderata", spiega il matematico.

Per trovare la soluzione, il team ha integrato nel flusso di lavoro un'ulteriore tecnologia AI, i cosiddetti algoritmi genetici - metodi assistiti da computer ispirati alla selezione naturale. Questo ha permesso di identificare selettivamente le formulazioni che combinano in modo ideale le due variabili target.

Il vantaggio di questo "approccio inverso": Non è più necessario testare alla cieca innumerevoli ricette e poi valutarne le proprietà risultanti; si possono invece ricercare in modo mirato quelle che soddisfano i criteri specifici desiderati - in questo caso, le massime proprietà meccaniche con le minime emissioni di CO₂.

Un approccio interdisciplinare con un grande potenziale

Tra le formulazioni di cemento identificate dai ricercatori, ci sono già alcuni candidati promettenti. "Alcune di queste formulazioni hanno un reale potenziale", afferma John Provis, "non solo in termini di riduzione delle emissioni di CO₂ e di qualità, ma anche in termini di fattibilità pratica nella produzione." Per completare il ciclo di sviluppo, tuttavia, le ricette devono prima essere testate in laboratorio. "Non costruiremo subito una torre con queste ricette senza prima testarle", dice Nikolaos Prasianakis con un sorriso.

Lo studio serve soprattutto come prova di concetto, cioè come prova che le formulazioni promettenti possono essere identificate solo con un calcolo matematico. "Possiamo ampliare il nostro strumento di modellazione AI in base alle esigenze e integrare ulteriori aspetti, come la produzione o la disponibilità di materie prime, o il luogo in cui il materiale da costruzione deve essere utilizzato, ad esempio in un ambiente marino, dove il cemento e il calcestruzzo si comportano in modo diverso, o persino nel deserto", afferma Romana Boiger. Nikolaos Prasianakis guarda già al futuro: "Questo è solo l'inizio. Il risparmio di tempo offerto da un tale flusso di lavoro generale è enorme, e lo rende un approccio molto promettente per tutti i tipi di materiali e sistemi di progettazione".

Senza il background interdisciplinare dei ricercatori, il progetto non sarebbe mai stato realizzato: "Avevamo bisogno di chimici del cemento, esperti di termodinamica, specialisti di intelligenza artificiale e di un team in grado di mettere insieme tutto questo", spiega Prasianakis. "A questo si aggiunge l'importante scambio con altri istituti di ricerca come l'EMPA nell'ambito del progetto SCENE". SCENE (Centro svizzero di eccellenza sulle emissioni nette zero) è un programma di ricerca interdisciplinare che mira a sviluppare soluzioni scientificamente valide per ridurre drasticamente le emissioni di gas serra nell'industria e nell'approvvigionamento energetico. Lo studio è stato condotto nell'ambito di questo progetto.