グローバルグリーン水素 | 河北加熱炉株式会社

Nature Communications volume 14、記事番号: 2578 (2023) この記事を引用

7136 アクセス

53 オルトメトリック

メトリクスの詳細

鉄鋼セクターは現在、世界のエネルギー関連の CO2 排出量の 7% を占めており、化石燃料から切り離すには徹底的な改革が必要です。ここでは、一次鉄鋼生産で広く検討されている脱炭素化ルートの 1 つである、グリーン水素ベースの鉄鉱石の直接還元とそれに続く電気炉製鋼の市場競争力を調査します。最適化と機械学習を組み合わせて 300 か所以上の場所を分析した結果、競争力のある再生可能エネルギーベースの鉄鋼生産が山羊座と蟹座の熱帯地域の近くに位置し、高品質の鉄鉱石に加えて優れた太陽光発電と補助的な陸上風力を特徴とすることを示しました。そして鉄鋼労働者の賃金は低い。コークス炭の価格が高止まりすれば、2030 年以降、有利な場所で非化石鋼は競争力を獲得し、2050 年に向けてさらに改善する可能性がある。大規模な導入には、適切な鉄鉱石や土地や水などのその他の資源の豊富さ、関連する技術的課題に注意を払う必要がある。直接的な削減と将来のサプライチェーン構成。

現在、化石燃料は鉄鋼部門の血流です。地球上で最も広く使用されている金属の生産には、年間 27 EJ (1018 J) の石炭、3 EJ のガス、および 5 EJ (1400 TWh) の電力が消費されており、鉄鋼 1 トンあたり平均 2 トンの CO2 が発生し、世界のエネルギー関連 CO2 排出量の 7% を引き起こしています2。 2021 年には 19 億 5000 万トンの鉄鋼が生産されました13。世界需要が 2080 年に一人当たり 250 kg に収束することを考えると、2050 年までに 21 億 9000 万トンに増加すると予測されています4。現在、鉄鋼生産の 22% は二次（スクラップベースの）電気炉によるものです。アーク炉 (EAF) ルートは、効果的なスクラップ収集、汚染物質管理、貿易が維持される限り、Pauliuk ら 5 の予測どおり、2050 年までに需要の最大 50% まで増加すると見込まれています。強化された耐久性、再利用性、ミニマルなデザインなど、鉄鋼含有製品の徹底的な材料効率対策により、一次（鉱石ベース）鉄鋼の需要が潜在的に最大 40% 削減される可能性があります6。しかし、世界経済の発展と人口増加は、鉄鋼需要減少の見通しに逆行しています。排出量予測では、供給側と需要側の緊急の共同緩和策が求められています7。将来の鉄鋼需要の大部分は一次鉄鋼によって満たされる必要があると思われるが、現在の技術の使用を継続すると、その間に排出量の多い炭素ベースの鉄鉱石の削減が行われることになる。

脱炭素化への圧力に対応するため、エネルギー効率の改善や化石燃料ベースの事業の部分的な燃料切り替え（バイオマスまたは水素）などの段階的な対策だけでは、鉄鋼セクターの気候変動への取り組みを達成するには不十分である。高炉には炭素回収技術を導入するか、段階的に廃止する必要があります8。一方、徹底した脱炭素化技術は、排出量削減、技術的実現可能性、経済的実行可能性、開発の成熟度などのさまざまなスケールで登場しています。電気製鋼炉は再生可能電力によって容易に脱炭素化できますが、製鉄の脱炭素化に最も有望な選択肢は、(i) グリーン水素 (H2) ベースの鉄の直接還元 (DRI)、(ii) 天然ガス (NG) ベースの DRI です。炭素回収、利用および/または貯蔵 (CCUS)、(iii) 石炭の一部をバイオマスおよび CCUS に置き換えた従来の高炉 (BF) または製錬還元 (SR)、および (iv) 鉄鉱石の直接電気分解 9,10,11 。 CO2 回収ソリューションは、これまでのところ、鉄鋼分野では非常に限られた成功しか収めていません。 CCUS12 で動作する NG ベースの DR プラントは 1 つだけです。既存の高炉プラントを CCUS で改修することは、既存の資産を使用するため望ましいにもかかわらず、まだ試行されておらず、複数の排出点と排ガスの CO2 濃度の変動を考慮すると効果的な排出削減方法でもありません 13。全く異なる方向性を示す H2-DRI と電解採取はどちらも、還元剤としての炭素がそれぞれ水素または電気に完全に置き換えられる再生可能エネルギーベースのソリューションです。革新的な技術として、電解採取は現在法外なコストがかかり、長期 (2040 年以降) には商業化の準備が整うと予想されています 14。比較すると、電気アーク炉 (EAF) と組み合わせた H2-DRI (H2-DRI-EAF と呼ばれる) は、取り組むべきさまざまな問題があるにもかかわらず 15、産業投資の活発化 16 のおかげで、深層脱炭素の主要な選択肢として広く考えられています 16。スウェーデンの先駆者によってパイロットが開始され17、2025年までに商業生産が計画されています18。

300 deposits in 68 countries./p>300 iron ore deposits was achieved using a machine learning (ML) model. The ML model was trained using the optimisation results (ML targets) alongside statistical data of solar and onshore wind potential (ML features). ML model accuracy was high, demonstrated by a coefficient of variation (R2) value of 0.96 for predicting the levelised cost of renewable energy infrastructure (RE cost) ($8/t standard error, 5% of mean) and 0.85 for predicting LCOS (excluding iron ore and labour costs) ($26/t standard error, 5% of mean) for 1 Mtpa green H2-DRI-EAF facilities. The cost of solar panels and wind turbines were separated as core cost components requiring further investigation; in 2050, the projected RE costs constituted approximately 20% of optimised LCOS with expected variability (average $120 + /- $35/t steel). Both the RE cost and LCOS ML models may be used to aid future supply chain modelling./p> 300 iron ore deposits. b LCOS including ore, with markers sized by relative quantity of ore mined on annual basis (mine production data from CRU Group69 and U.S. Geological Survey22). Geographical coverage shrinks from 68 to 22 countries which includes all optimised countries, excluding Guinea. LCOS at Kiruna in Sweden was reduced to $850/t (from $940/t), which is closer to the optimised LCOS, to control the extreme outlier and enable greater colour graduations over remaining mines (the ML model accuracy was reduced in this extreme northerly location)./p>

Up to this point, our global assessments have been made based on steel production facilities with 1 Mtpa capacity, allowing an ‘apples to apples’ cost comparison. However, significant growth in green H2-DRI-EAF steel manufacturing in certain regions could be hindered by resource constraints and industrial development status. To assess the production system feasibility at scale, national green H2-DRI-EAF steel industries were sized according to the hypothetical utilisation of extracted ore given the following rates of technology diffusion (i.e. H2-DRI-EAF steel output of total steelmaking potential): 30% in 2030, 50% in 2040 and 60% in 2050. Using our optimisation modelling results (with 25% scrap charge to EAF), an indicative picture of resource requirements is provided in Table 1 for 2050 (with complete analysis given in Supplementary Data). Land intensity rates of 45 MW/km2 and 8 MW/km2 for solar panels and onshore wind turbines, respectively, were assumed41, alongside a water demand rate of 12 L/kg H2 for electrolysis (considering 33% losses and 9 L/kg stoichiometric minimum) and water recycling rate of 9 L/kg H2 during DRI. Land availability for RE infrastructure was determined within the regions where iron ore mines exist (rather than the entire country) and constrained by 50% of the available shrubland, herbaceous vegetation and sparse vegetation given by the Copernicus Global Land Cover Map(2020)." href="/articles/s41467-023-38123-2#ref-CR42" id="ref-link-section-d238605590e1022"42./p>300 locations (covering 68 countries) in less than a second. This was a significant timesaving considering the GAMS optimisation model’s computational processing time of 3 h (on a machine with Intel i7-8665U CPU and 16 GB memory of RAM running Windows 10) for a given location and RE input year. Gradient-boosted regression models from the scikit-learn toolkit68 were fitted to directly predict two targets: levelised cost of renewable energy infrastructure (RE cost), and steel (LCOS, excluding ore and labour) for green H2-DRI-EAF steel production without scrap charging in a 1 Mtpa facility. The ML algorithm learned from a dataset with 675 entries: 45 regions modelled over 5 renewable energy input data years and 3 installation years. Note that New Zealand was the 45th region added to the 44 previously optimised regions to ensure the largest range of latitudes were covered in the input dataset. To determine the overall LCOS, statistical RE data from 2019 was used as features to project the machine-learned LCOS (excluding ore and labour), with separately computed costs of DR-grade ore (see Eq. 1) and labour added./p>(2020)./p>