La IA allana el camino hacia el cemento ecológico

Los hornos rotatorios de las fábricas de cemento se calientan a unos abrasadores 1.400 grados centígrados para quemar la piedra caliza molida y convertirla en clinker, la materia prima del cemento listo para usar. Como es lógico, estas temperaturas no pueden alcanzarse sólo con electricidad. Son el resultado de procesos de combustión de alto consumo energético que emiten grandes cantidades de dióxido de carbono (CO₂). Sin embargo, lo que puede sorprender es que el proceso de combustión representa menos de la mitad de estas emisiones, mucho menos. La mayor parte está contenida en las materias primas necesarias para producir clínker y cemento: El CO₂ que está unido químicamente a la piedra caliza se libera durante su transformación en los hornos de alta temperatura.

Una estrategia prometedora para reducir las emisiones consiste en modificar la propia receta del cemento, sustituyendo parte del clínker por materiales cementantes alternativos. Eso es exactamente lo que ha estado investigando un equipo interdisciplinar del Laboratorio de Gestión de Residuos del Centro de Ingeniería y Ciencias Nucleares del PSI. En lugar de basarse únicamente en experimentos o complejas simulaciones que requieren mucho tiempo, los investigadores han desarrollado un método de modelización basado en el aprendizaje automático. "Esto nos permite simular y optimizar formulaciones de cemento para que emitan significativamente menos CO₂ manteniendo el mismo alto nivel de rendimiento mecánico", explica la matemática Romana Boiger, primera autora del estudio. "En lugar de probar miles de variaciones en el laboratorio, podemos utilizar nuestro modelo para generar sugerencias de recetas prácticas en cuestión de segundos: es como tener un libro de cocina digital para un cemento respetuoso con el clima".

Con su novedoso enfoque, los investigadores pudieron filtrar selectivamente aquellas fórmulas de cemento que podían cumplir los criterios deseados. "El abanico de posibilidades para la composición del material -que en última instancia determina las propiedades finales- es extraordinariamente amplio", afirma Nikolaos Prasianakis, jefe del Grupo de Investigación de Mecanismos de Transporte del PSI, impulsor y coautor del estudio. "Nuestro método nos permite acelerar considerablemente el ciclo de desarrollo seleccionando candidatos prometedores para su posterior investigación experimental". Los resultados del estudio se publicaron en la revista Materials and Structures.

La receta adecuada

En la actualidad, ya se utilizan subproductos industriales como las escorias de la producción de hierro y las cenizas volantes de las centrales térmicas de carbón para sustituir parcialmente el clínker en las fórmulas de cemento y reducir así las emisiones de CO₂. Sin embargo, la demanda mundial de cemento es tan enorme que estos materiales por sí solos no pueden satisfacerla. "Lo que necesitamos es la combinación adecuada de materiales que estén disponibles en grandes cantidades y a partir de la cual se pueda producir cemento fiable y de alta calidad", afirma John Provis, jefe del Grupo de Investigación de Sistemas de Cemento del PSI y coautor del estudio.

Sin embargo, encontrar esas combinaciones es todo un reto: "El cemento es básicamente un aglutinante mineral: en el hormigón, utilizamos cemento, agua y grava para crear artificialmente minerales que mantienen unido todo el material", explica Provis. "Se podría decir que hacemos geología a cámara rápida". Esta geología -o, mejor dicho, el conjunto de procesos físicos que la sustentan- es enormemente compleja, y modelizarla en un ordenador es correspondientemente intensivo y caro desde el punto de vista computacional. Por eso el equipo de investigación recurre a la inteligencia artificial.

La IA como acelerador computacional

Las redes neuronales artificiales son modelos informáticos que se entrenan a partir de datos existentes para acelerar cálculos complejos. Durante el entrenamiento, la red recibe un conjunto de datos conocidos y aprende de ellos ajustando la fuerza relativa o "ponderación" de sus conexiones internas para poder predecir relaciones similares de forma rápida y fiable. Esta ponderación es una especie de atajo, una alternativa más rápida a la modelización física, que de otro modo requeriría un gran esfuerzo informático.

Los investigadores del PSI también utilizaron una red neuronal de este tipo. Ellos mismos generaron los datos necesarios para el entrenamiento: "Con la ayuda del software de modelización termodinámica de código abierto GEMS, desarrollado en el PSI, calculamos, para varias formulaciones de cemento, qué minerales se forman durante el endurecimiento y qué procesos geoquímicos tienen lugar", explica Nikolaos Prasianakis. Combinando estos resultados con datos experimentales y modelos mecánicos, los investigadores pudieron obtener un indicador fiable de las propiedades mecánicas y, por tanto, de la calidad material del cemento. Para cada componente utilizado, aplicaron también un factor de CO₂ correspondiente, un valor de emisión específico que permitió determinar las emisiones totales de CO₂. "Fue un ejercicio de modelización muy complejo e intensivo desde el punto de vista computacional", afirma el científico.

Pero el esfuerzo mereció la pena: con los datos así generados, el modelo de IA pudo aprender. "En lugar de segundos o minutos, la red neuronal entrenada puede ahora calcular las propiedades mecánicas de una receta de cemento arbitraria en milisegundos, es decir, unas mil veces más rápido que con la modelización tradicional", explica Boiger.

De la salida a la entrada

¿Cómo puede utilizarse ahora esta IA para encontrar fórmulas de cemento óptimas, con las menores emisiones de CO₂ posibles y una alta calidad del material? Una posibilidad sería probar varias formulaciones, utilizar el modelo de IA para calcular sus propiedades y, a continuación, seleccionar las mejores variantes. Sin embargo, un enfoque más eficiente es invertir el proceso. En lugar de probar todas las opciones, plantee la pregunta al revés: ¿Qué composición de cemento cumple las especificaciones deseadas en cuanto a equilibrio de CO₂ y calidad del material?

Tanto las propiedades mecánicas como las emisiones de CO₂ dependen directamente de la receta. "Visto matemáticamente, ambas variables son funciones de la composición: si ésta cambia, también cambian las propiedades respectivas", explica el matemático. Para determinar una receta óptima, los investigadores formulan el problema como una tarea de optimización matemática: Buscan una composición que al mismo tiempo maximice las propiedades mecánicas y minimice las emisiones de CO₂. "Básicamente, buscamos un máximo y un mínimo, a partir de los cuales podemos deducir directamente la formulación deseada", explica el matemático.

Para encontrar la solución, el equipo integró en el flujo de trabajo una tecnología adicional de IA, los llamados algoritmos genéticos, métodos asistidos por ordenador inspirados en la selección natural. Esto les permitió identificar selectivamente las formulaciones que combinan de forma ideal las dos variables objetivo.

La ventaja de este "enfoque inverso": Ya no hay que probar a ciegas innumerables recetas y luego evaluar sus propiedades resultantes; en su lugar, se pueden buscar específicamente aquellas que cumplan unos criterios específicos deseados: en este caso, las máximas propiedades mecánicas con las mínimas emisiones de CO₂.

Enfoque interdisciplinar con gran potencial

Entre las formulaciones de cemento identificadas por los investigadores, ya hay algunos candidatos prometedores. "Algunas de estas formulaciones tienen un potencial real", afirma John Provis, "no sólo en términos de reducción de CO₂ y calidad, sino también de viabilidad práctica en la producción." Sin embargo, para completar el ciclo de desarrollo, primero hay que probar las recetas en el laboratorio. "No vamos a construir una torre con ellas de inmediato sin probarlas antes", dice Nikolaos Prasianakis con una sonrisa.

El estudio sirve sobre todo como prueba de concepto, es decir, como evidencia de que es posible identificar fórmulas prometedoras únicamente mediante cálculos matemáticos. "Podemos ampliar nuestra herramienta de modelización de IA según sea necesario e integrar aspectos adicionales, como la producción o disponibilidad de materias primas, o el lugar donde se va a utilizar el material de construcción: por ejemplo, en un entorno marino, donde el cemento y el hormigón se comportan de forma diferente, o incluso en el desierto", dice Romana Boiger. Nikolaos Prasianakis ya mira hacia el futuro: "Esto es sólo el principio. El ahorro de tiempo que ofrece un flujo de trabajo tan general es enorme, lo que lo convierte en un enfoque muy prometedor para todo tipo de diseños de materiales y sistemas".

Sin la formación interdisciplinar de los investigadores, el proyecto nunca habría llegado a buen puerto: "Necesitábamos químicos del cemento, expertos en termodinámica, especialistas en IA... y un equipo que pudiera reunir todo esto", afirma Prasianakis. "A esto se sumó el importante intercambio con otras instituciones de investigación como EMPA en el marco del proyecto SCENE". SCENE (el Centro Suizo de Excelencia en Emisiones Netas Cero) es un programa de investigación interdisciplinar cuyo objetivo es desarrollar soluciones científicamente sólidas para reducir drásticamente las emisiones de gases de efecto invernadero en la industria y el suministro energético. El estudio se realizó en el marco de este proyecto.