El reto de la cadena de suministro
La creciente adopción de la bioenergía es probable que genere consecuencias no deseadas. Por ejemplo, el bioetanol y el biogás se introdujeron inicialmente a gran escala como alternativas a los combustibles fósiles en aplicaciones de transporte y no pasó mucho tiempo para que se empezara a cuestionar los beneficios del ciclo de vida de estos combustibles de primera generación en términos de emisiones de carbono, considerando los costes energéticos que implica producir los fertilizantes necesarios.
Además, se registraron aumentos en el precio de los alimentos en algunas regiones a medida que las tierras agrícolas se reutilizaban para cultivar materias primas bioenergéticas.
Desde entonces, se han realizados numerosos avances y la AIE ahora predice que los desechos y los residuos “alimentarán” una tercera parte de la producción de nuevos biocombustibles para 2027.
Esto, en parte, se atribuye a políticas, especialmente en Estados Unidos y Europa, que favorecen los combustibles con menores emisiones de gases de efecto invernadero, como los producidos a partir de flujos de residuos. En Europa, esto se aplica especialmente al diésel renovable y a los biocombustibles para aviación (biojet).
No obstante, la adopción rápida de la bioenergía y los biocombustibles está ejerciendo presión en las cadenas de suministro.
La AIE prevé que la demanda de aceites y grasas de desecho y residuos casi supere a la oferta de las fuentes más fácilmente disponibles para 2027. Las limitaciones de suministro también están obligando a los productores de biodiésel, diésel renovable y biojet a recurrir a aceites vegetales convencionales, como el aceite de soja y el aceite de colza.
La Figura 3 proyecta un crecimiento relativamente lento en materias primas bioenergéticas como el maíz y los aceites de cocina usados, según la AIE.
El papel de la inteligencia artificial (IA) y el aprendizaje automático (ML)
Como indica la información anterior, todavía hay mucho espacio para descubrir, desarrollar y optimizar todas las formas de bioenergía. En los grupos de trabajo del Departamento de Energía de Estados Unidos, los investigadores de bioenergía han descrito maneras en las que podrían aprovechar el aprendizaje automático (ML) y otras estrategias de IA para acelerar sus proyectos.
El consenso ha sido que las técnicas de IA y ML, combinadas con sistemas de experimentación automatizados, podrían ayudar a abordar algunos de los desafíos clave en la bioenergía. Aquí se podrían encontrar formas de modificar microbios o comunidades de microbios para cumplir los criterios específicos, desarrollar capacidades de diseño y control autónomos de circuito cerrado para biosistemas y crear técnicas mejoradas para ampliar y automatizar los resultados de la investigación en bioenergía hasta el estado de producción.
Entre los obstáculos que hay que superar para alcanzar los objetivos se encuentran la ausencia de datos etiquetados de alta calidad de los cuales los sistemas de ML puedan aprender, la falta de herramientas de IA y ML adaptadas a las aplicaciones de bioenergía y el reto de automatizar los sistemas de experimentación y hacerlos más autónomos.
Como suele ocurrir en la vanguardia de la investigación, también existe escasez de profesionales capacitados en estas nuevas técnicas.
