A IA abre caminho para o cimento verde

Os fornos rotativos das fábricas de cimento são aquecidos a uma temperatura abrasadora de 1400 graus Celsius para queimar o calcário moído e transformá-lo em clínquer, a matéria-prima do cimento pronto a usar. Não é de surpreender que tais temperaturas não possam ser atingidas apenas com eletricidade. São o resultado de processos de combustão intensivos em energia que emitem grandes quantidades de dióxido de carbono (CO₂). O que pode ser surpreendente, no entanto, é que o processo de combustão é responsável por menos de metade destas emissões, muito menos. A maior parte está contida nas matérias-primas necessárias para produzir clínquer e cimento: O CO₂ que está quimicamente ligado ao calcário é libertado durante a sua transformação nos fornos de alta temperatura.

Uma estratégia promissora para reduzir as emissões é modificar a própria receita do cimento - substituindo parte do clínquer por materiais cimentícios alternativos. É exatamente isso que uma equipa interdisciplinar do Laboratório de Gestão de Resíduos do Centro de Engenharia e Ciências Nucleares do ISP tem vindo a investigar. Em vez de se basearem apenas em experiências demoradas ou em simulações complexas, os investigadores desenvolveram uma abordagem de modelização baseada na aprendizagem automática. "Isto permite-nos simular e otimizar as formulações de cimento para que emitam significativamente menos CO₂, mantendo o mesmo nível elevado de desempenho mecânico", explica a matemática Romana Boiger, primeira autora do estudo. "Em vez de testar milhares de variações no laboratório, podemos usar o nosso modelo para gerar sugestões práticas de receitas em segundos - é como ter um livro de receitas digital para cimento amigo do ambiente."

Com a sua abordagem inovadora, os investigadores conseguiram filtrar seletivamente as formulações de cimento que podiam satisfazer os critérios desejados. "O leque de possibilidades para a composição do material - que, em última análise, determina as propriedades finais - é extraordinariamente vasto", afirma Nikolaos Prasianakis, diretor do Grupo de Investigação de Mecanismos de Transporte do PSI, que foi o iniciador e coautor do estudo. "O nosso método permite-nos acelerar significativamente o ciclo de desenvolvimento, selecionando candidatos promissores para uma investigação experimental mais aprofundada". Os resultados do estudo foram publicados na revista Materials and Structures.

A receita certa

Atualmente, os subprodutos industriais, como as escórias da produção de ferro e as cinzas volantes das centrais eléctricas a carvão, já estão a ser utilizados para substituir parcialmente o clínquer nas formulações de cimento, reduzindo assim as emissões de CO₂. No entanto, a procura global de cimento é tão grande que estes materiais, por si só, não conseguem satisfazer a necessidade. "O que precisamos é da combinação certa de materiais que estejam disponíveis em grandes quantidades e a partir dos quais se possa produzir cimento fiável e de alta qualidade", diz John Provis, chefe do Grupo de Investigação de Sistemas de Cimento da PSI e coautor do estudo.

Encontrar essas combinações é, no entanto, um desafio: "O cimento é basicamente um agente ligante mineral - no betão, utilizamos cimento, água e gravilha para criar artificialmente minerais que mantêm todo o material unido", explica Provis. "Pode dizer-se que estamos a fazer geologia em movimento rápido." Esta geologia - ou melhor, o conjunto de processos físicos por detrás dela - é extremamente complexa e a sua modelação num computador é correspondentemente intensiva e dispendiosa do ponto de vista computacional. É por isso que a equipa de investigação recorre à inteligência artificial.

A IA como acelerador computacional

As redes neuronais artificiais são modelos informáticos que são treinados, utilizando dados existentes, para acelerar cálculos complexos. Durante o treino, a rede é alimentada com um conjunto de dados conhecido e aprende com ele, ajustando a força relativa ou "ponderação" das suas ligações internas, de modo a poder prever relações semelhantes de forma rápida e fiável. Esta ponderação funciona como uma espécie de atalho - uma alternativa mais rápida à modelação física, que de outra forma seria computacionalmente intensiva.

Os investigadores do PSI também utilizaram uma rede neural deste tipo. Eles próprios geraram os dados necessários para o treino: "Com a ajuda do software de modelação termodinâmica de código aberto GEMS, desenvolvido na PSI, calculámos - para várias formulações de cimento - quais os minerais que se formam durante o endurecimento e quais os processos geoquímicos que ocorrem", explica Nikolaos Prasianakis. Combinando estes resultados com dados experimentais e modelos mecânicos, os investigadores conseguiram obter um indicador fiável das propriedades mecânicas - e, por conseguinte, da qualidade do material do cimento. Para cada componente utilizado, aplicaram também um fator de CO₂ correspondente, um valor de emissão específico que permitiu determinar as emissões totais de CO₂. "Foi um exercício de modelação muito complexo e computacionalmente intensivo", diz o cientista.

Mas o esforço valeu a pena - com os dados gerados desta forma, o modelo de IA foi capaz de aprender. "Em vez de segundos ou minutos, a rede neural treinada pode agora calcular as propriedades mecânicas de uma receita de cimento arbitrária em milissegundos, ou seja, cerca de mil vezes mais rápido do que com a modelação tradicional", explica Boiger.

Do output ao input

Como é que esta IA pode agora ser utilizada para encontrar formulações de cimento óptimas - com as mais baixas emissões de CO₂ possíveis e uma elevada qualidade do material? Uma possibilidade seria experimentar várias formulações, utilizar o modelo de IA para calcular as suas propriedades e depois selecionar as melhores variantes. Uma abordagem mais eficiente, no entanto, é inverter o processo. Em vez de experimentar todas as opções, colocar a questão no sentido inverso: Que composição de cimento cumpre as especificações desejadas relativamente ao equilíbrio de CO₂ e à qualidade do material?

Tanto as propriedades mecânicas como as emissões de CO₂ dependem diretamente da receita. "Vistas matematicamente, ambas as variáveis são funções da composição - se esta mudar, as respetivas propriedades também mudam", explica o matemático. Para determinar uma receita óptima, os investigadores formulam o problema como uma tarefa de otimização matemática: Estão à procura de uma composição que, simultaneamente, maximize as propriedades mecânicas e minimize as emissões de CO₂. "Basicamente, estamos à procura de um máximo e de um mínimo - a partir daí, podemos deduzir diretamente a formulação desejada", diz o matemático.

Para encontrar a solução, a equipa integrou no fluxo de trabalho uma tecnologia de IA adicional, os chamados algoritmos genéticos - métodos assistidos por computador inspirados na seleção natural. Isto permitiu-lhes identificar seletivamente as formulações que combinam de forma ideal as duas variáveis-alvo.

A vantagem desta "abordagem inversa": Já não é necessário testar cegamente inúmeras receitas e depois avaliar as propriedades resultantes; em vez disso, é possível procurar especificamente aquelas que satisfazem critérios específicos desejados - neste caso, propriedades mecânicas máximas com emissões mínimas de CO₂.

Abordagem interdisciplinar com grande potencial

Entre as formulações de cimento identificadas pelos investigadores, já existem alguns candidatos promissores. "Algumas dessas formulações têm um potencial real", diz John Provis, "não apenas em termos de redução de CO₂ e qualidade, mas também em termos de viabilidade prática na produção." Para completar o ciclo de desenvolvimento, no entanto, as receitas devem primeiro ser testadas em laboratório. "Não vamos construir imediatamente uma torre com elas sem as testar primeiro", diz Nikolaos Prasianakis com um sorriso.

O estudo serve principalmente como prova de conceito - ou seja, como prova de que as formulações promissoras podem ser identificadas apenas através de cálculos matemáticos. "Podemos alargar a nossa ferramenta de modelação de IA conforme necessário e integrar aspectos adicionais, como a produção ou a disponibilidade de matérias-primas, ou o local onde o material de construção vai ser utilizado - por exemplo, num ambiente marinho, onde o cimento e o betão se comportam de forma diferente, ou mesmo no deserto", diz Romana Boiger. Nikolaos Prasianakis já está a olhar para o futuro: "Isto é apenas o começo. As poupanças de tempo proporcionadas por um fluxo de trabalho tão geral são enormes - o que o torna uma abordagem muito promissora para todos os tipos de materiais e projectos de sistemas."

Sem a formação interdisciplinar dos investigadores, o projeto nunca teria sido concretizado: "Precisávamos de químicos de cimento, peritos em termodinâmica, especialistas em IA - e de uma equipa que pudesse reunir tudo isto", afirma Prasianakis. "A isto juntou-se o importante intercâmbio com outras instituições de investigação, como a EMPA, no âmbito do projeto SCENE." O SCENE (Centro Suíço de Excelência em Emissões Zero Líquidas) é um programa de investigação interdisciplinar que visa desenvolver soluções cientificamente sólidas para reduzir drasticamente as emissões de gases com efeito de estufa na indústria e no fornecimento de energia. O estudo foi realizado no âmbito deste projeto.