‘Het uitfaseren van fossiele brandstoffen en het terugdringen van de CO₂-uitstoot zijn de belangrijkste maatregelen om de opwarming van de aarde tegen te gaan. Maar CO₂-afvang of fixatie is nodig om het CO₂-gehalte in de atmosfeer zo te reduceren dat de temperatuurstijging niet meer dan 1,5 graad wordt’, zegt Sara Vicca, onderzoeker bij het Global Change Ecology Centre van de Universiteit Antwerpen. De industrie zet in op het afvangen van CO₂ aan de achterkant van hun processen. Dat kan via silicaatverwering; een natuurlijk proces waarbij silicaathoudende gesteentes reageren met CO₂ en water. Hierbij wordt CO₂ uit de lucht gefixeerd in de vorm van bicarbonaat.

In een natuurlijke omgeving helpen bacteriën, wormen en andere organismen om dit proces op gang te brengen. Maar in de natuur verloopt dat proces traag. Vicca: ‘Via natuurlijke silicaatverwering wordt jaarlijks ongeveer 0,3 gigaton CO₂ opgenomen, terwijl de uitstoot op 40 gigaton ligt.’ Versnellen kan wel, maar heeft ook weer nadelen. ’De industrie voert de verweringsreacties in CO₂-afvangprocessen uit onder hoge druk en bij hoge temperatuur. Dat kost dan weer veel energie.’ 

200 potjes

Het project BAM! (Super-Bio-Accelerated Mineral weathering) onderzoekt onder leiding van Vicca of het mogelijk is om natuurlijke verwering versneld te laten verlopen in een reactor. ‘Wij willen in een reactor de ideale condities creëren om de organismen zo efficiënt mogelijk te laten werken.’ Maar wat zijn nu die ideale omstandigheden? Welke leiden tot de grootste CO₂-opname? Daartoe doen de onderzoekers een veelvoud aan experimenten, op kleine schaal, om synergieën tussen de verschillende biota te vinden om vervolgens een geoptimaliseerde reactor te kunnen ontwerpen.

‘Afvang of fixatie is nodig om het CO2-gehalte in de atmosfeer te reduceren’

‘Elke twee maanden draaien we een run met zo’n 200 potjes in een speciale klimaatkamer van de Wageningen Universiteit’, aldus Vicca. In deze eerste fase van het project kiest het onderzoeksteam op basis van bestaande wetenschappelijke kennis de te testen combinaties. ‘Zo heeft het Wageningse team een selectie gemaakt van verschillende schimmels, bacteriën en wormen waarvan al bekend is dat ze een bepaalde activiteit hebben. We gebruiken bijvoorbeeld een bacterie die nu al wordt ingezet voor de biomineralisatie van goud en kiezen voor wormen die veel aarde eten.’ 

Tien tot de elfde macht 

Het zou echter een onmogelijke opgave zijn om alle verschillende combinaties en omstandigheden op een klassieke manier te onderzoeken. Daarom doet Vicca een beroep op de kennis van artificial intelligence en machine learning waarover onderzoekscentrum imec beschikt. ‘Er zijn zo veel variabelen en vrijheidsgraden. We onderzoeken verschillende types silicaten, de grootte van de vermaling van de silicaten en mengsels met verschillende afmetingen. Ook willen we weten in welke hoeveelheden en combinaties we de biota in de reactor moeten brengen. Bovendien onderzoeken we de optimale hoeveelheid voeding en water die we moeten toevoegen om een maximale CO₂-opname te bereiken’, zo somt ze op.

Tim Verdonck, hoogleraar aan de Universiteit van Antwerpen en imec, valt haar bij: ‘Het aantal mogelijke combinaties loopt op tot een ordegrootte van tien tot de elfde macht. Het kost veel te veel tijd en geld om handmatig de juiste combinaties te vinden. Door gebruik te maken van machine learning kunnen we veel sneller ontdekken welke combinaties veelbelovend zijn en een richting aan het onderzoek geven’.  

‘Het kost veel te veel tijd en geld om handmatig de juiste combinaties te vinden’

Datamatrix 

Inmiddels zijn drie batches afgerond. Imec gebruikt de data uit die experimenten om een voorspellend model te maken. ‘Vanuit iedere batch krijgen we meer input voor de modellen en kunnen wij aanbevelingen doen voor veelbelovende combinaties’, zegt Verdonck. ’Wij moeten aan de onderzoekers kunnen uitleggen waarom we tot onze conclusies komen. Ook moeten we controleren wat het effect is van onze aanbevelingen op de responsen van de nieuwe batch.’ 

Voor imec is dit een uitdagend project: ‘Het werken met reële data is ingewikkeld. Een groot verschil met andere projecten is dat we niet starten met een set historische data waarop we de eerste modellen kunnen baseren. We krijgen steeds nieuwe data. Daarbij kan er gedurende het project nog veel veranderen voor wat betreft de manier waarop de data wordt verzameld en in welke vorm we die krijgen. Doordat de data vanuit verschillende partijen komt, is deze niet altijd uniform. Er gaat veel tijd zitten in het voorbereiden en transformeren van de data om deze in een datamatrix te brengen.’

Gelukkig is er nauw contact met de andere projectpartners. ‘Zo kunnen we gemakkelijker een dataset consistent maken en opschonen. We overleggen over bijvoorbeeld missende data. Moeten we die invullen en zo ja, met welke waarde? Moeten we uitschieters verwijderen, of hebben die juist een belangrijke betekenis?’ 

Hoewel Vicca en Verdonck het nog te vroeg vinden om conclusies te kunnen trekken, zien ze wel dat bepaalde variabelen in een zekere richting wijzen: ‘We zien bijvoorbeeld dat bepaalde organismen een positief effect hebben op de mineralisatie’, zegt Vicca. ‘De grootte van de deeltjes is van invloed op de CO-opname, maar dat moeten we nog verifiëren in de volgende batches’, voegt Verdonck toe. ‘We komen nu wel in een fase waarin wij op basis van de data-analyses beter kunnen aangeven welke richting het onderzoek op zou moeten. We zien welke variabelen een grotere invloed hebben dan andere en kunnen daar in de volgende batches specifieker naar kijken. Nu kunnen we ook het model gaan trainen en concretere voorstellen doen voor bepaalde combinaties. Daarna moeten we kijken of de nieuwe batches het verwachte resultaat hebben.’