Energiayhtiö Helen aikoo säilöä 300 miljoonaa litraa kesällä lämmennyttä merivettä Helsingin luoliin. Rakenteilla olevan kausivaraston lämpöä voidaan talvipakkasilla nostaa lämpöpumpuilla kotien ja toimitilojen kaukolämmön lähteeksi. Miten tämä voidaan toteuttaa?

”Kehittämämme materiaalit ovat paljon tehokkaampia energian varastointiin kuin puhdas vesi, joten paljon tuota pienemmät varastot riittävät. Periaatteessa yhden omakotitalon lämmitys voidaan hoitaa öljysäiliön kokoisella määrällä uusia materiaaleja. Mutta tätä varten tarvitaan vielä tutkimusta perustasolta alkaen”, sanoo fysiikan professori Tapio Ala-Nissilä Aalto-yliopistosta.

Ala-Nissilän tutkimusryhmä tutkii, miten uusia materiaaleja käytetään lämpöenergian säilömiseen. Tämä on osa laajempaa tutkija Ari Seppälän Aalto-yliopistossa johtamaa hanketta, jossa kehitetään uusia lämpövarastomateriaaleja ja tutkitaan, miten niitä voidaan parhaiten käyttää eri energiajärjestelmissä.

Tutkimusta tehdään parhaillaan Suomen Akatemian kautta saadulla EU:n elpymisvälinerahoituksella, jonka on tarkoitus vauhdittaa yhteiskunnan toipumista koronaepidemian aiheuttamista ongelmista. Akatemian koordinoima rahoitus kohdistuu vihreän ja digitaalisen siirtymän edistämiseen tutkimuksen avulla.

Lämpövarastomateriaali

Tutkijat hyödyntävät tekoälyä parhaiden materiaalien tunnistamiseksi

Tutkijat tuottavat uutta tietoa hyödyntäen tekoälyä.

”Selvitämme koneoppimisen avulla atomitason vuorovaikutuksia. Siitä laskemme sitten materiaalien fysikaalisia ominaisuuksia ja nimenomaan siitä, miten eri materiaalit käyttäytyvät lämmönvarausmateriaaleina”, Ala-Nissilä kertoo.

Hankkeessa tutkijat käyvät läpi isoa joukkoa erilaisia materiaaleja, joilla on erilaisia vuorovaikutuksia ja ominaisuuksia.

”Näiden yhdistäminen on ihmismielellä täysin mahdotonta, koska siellä on niin paljon erilaisia muuttujia tai tekijöitä. Koneoppiminen on tehokasta siinä, että kone pystyy käsittelemään valtavia datajoukkoja ja etsimään sieltä haluttuja ominaisuuksia.”

Uusien materiaalien mittaus- ja prototyyppijärjestelmä

Algoritmien kirjoitus on vienyt vuosikymmenen

Tutkijoiden työssä on kaksi suurta kokonaisuutta. Ensinnäkin tutkijat kirjoittavat algoritmit eli ohjeistukset, miten tietokoneen tulee käsitellä dataa. Tätä varten on päätettävä, mitä tietoa raakadatasta etsitään ja mitä tietoa siitä halutaan saada. Fysiikan tutkijakokemusta tarvitaan erityisesti siihen, että osataan etsiä oikeaa tietoa valtavasta määrästä raakadataa.

Algoritmin kirjoittamiseen fyysikot käyttävät Ala-Nissilän tutkimusryhmässä Python- ja C++-ohjelmointikieliä.

”Näitä algoritmeja on kehitetty kansainvälisesti ehkä noin vuosikymmenen verran. Käyttämämme ja jatkokehittämämme algoritmi on kehitetty brittiläisessä Cambridgen yliopistossa, jonka kanssa teemme tutkimusyhteistyötä.”

Dataa kerätään koko ajan lisää

Toisekseen tutkijoiden täytyy kerätä ja laskea kvanttimekaniikan menetelmillä data, jota supertietokone voi käsitellä algoritmien avulla. Algoritmien käsiteltäväksi on tuotettu tuhansia datasettejä eli datajoukkoja eri materiaaleista ja sitä koko ajan täydennetään.

”Datajoukon kasaaminen on alkanut jo vuosia sitten. Jokaiselle materiaalille täytyy olla oma datasetti, josta sitten opitaan sen materiaalin ominaisuuksia tai vuorovaikutuksia.”

Mitä täydellisempiä datajoukot ovat, sitä paremmin algoritmi tunnistaa haluttua tietoa.

”Koneoppiminen ei anna suoraan oikeita vastauksia, vaan prosessi on aika monimutkainen. Pitää olla asiantuntija, jotta saa tuloksen kohdalleen.”

Uusien materiaalien mittaus- ja prototyyppijärjestelmä

Mikroskooppikuvia lämpövarastomateriaaleista.

Lämpövarastoille sopivat sovelluskohteet

Lämpövarastot täytyy osata sijoittaa oikein ja saada toimimaan yhdessä muun kokonaisuuden kanssa. Tätä energiajärjestelmien optimoimista tutkii Aallossa erityistutkija Timo Laukkasen tutkijaryhmä – niin ikään tekoälyn avulla.

”Etsimme mahdollisimman kustannustehokkaita sovelluskohteita, minne ja kuinka isoina nämä lämmönvarastointimateriaalit kokonaisuuteen soveltuisivat”, kertoo Laukkanen.

Kyse ei ole vain siitä, että esimerkiksi kesällä kertynyttä lämpöä varastoidaan kylmän talven käyttöä odottamaan. Kyse on myös esimerkiksi tuulen tuottaman sähkön hinnanvaihteluiden hyödyntämisestä.

”Jos esimerkiksi sääennusteen perusteella nähdään, että muutaman päivän päästä sähkö on verkossa hyvin halpaa, osataan käyttää varastoitu lämpö ensin kalliimman sähkön aikana ja sitten hyvin halvan sähkön aikana käytetään verkkosähköä ja täytetään lämpövarastot silloin uudestaan”, Laukkanen ottaa esimerkiksi.

Työkaluina digitaaliset kaksoset, geneettiset algoritmit ja ennusteet

Testejä varten Laukkasen ryhmä luo koneoppimisen keinoilla ja teollisuuden antamalla datalla tehtaista digitaalisia kaksosia. Digitaalinen kaksonen - Digital Twin - termiä käytetään yleensä sovelluksesta, joka pyrkii tekemään koneoppimisen keinoilla digitaalisen kopion alkuperäisestä kohteesta tietokoneille.

Tätä digitaalista mallia ohjataan tietokoneelta samoin kuin alkuperäistä kohdetta ja digitaalinen kaksonen käyttäytyy tosimaailmassa olevan alkuperäisen kohteen kaltaisesti. Tässä tapauksessa digitaalisesta kaksosesta voidaan nähdä, mitä tapahtuu, kun tutkijat vaihtelevat vaikkapa lämmönvarastoinnin sijoitusta, kokoa ja käyttötapaa kohteessa.

Laukkasen ryhmä käyttää työssään myös geneettisiä algoritmejä. Geneettiset algoritmit on tehty toimimaan kuten luonnonvalinta. Ensin tutkijat synnyttävät ratkaisuehdotusten joukon, jotka monesti ovat satunnaisia. Niihin tehdään muutoksia – kuten luonnossa tapahtuu mutaatioita. Vähitellen ennalta määritellyillä ehdoilla huonot vaihtoehdot karsitaan pois. Lopulta jäljelle jää vain tilanteen osalta paras mahdollinen ratkaisu.

Koneoppimista tutkijat käyttävät myös ennustamiseen. Tutkijat yrittävät oppia ymmärtämään esimerkiksi tulevan lämmönvarastoinnin tarpeen, jos meteorologit ennustavat sään muuttuvan parin viikon päästä.

Tutkimushankkeelle on myönnetty Euroopan unionin elpymisvälinerahoitusta (NextGenerationEU) Suomen Akatemian kautta projektinumerolla 353297.

Teksti: Visa Noronen
Kuvat: Konsta Turunen, Ari Seppälä