글로벌 그린수소 | 허베이 가열로 유한 공사

Nature Communications 14권, 기사 번호: 2578(2023) 이 기사 인용

7136 액세스

53 알트메트릭

측정항목 세부정보

철강 부문은 현재 전 세계 에너지 관련 CO2 배출량의 7%를 차지하고 있으며 화석 연료와의 연결을 끊기 위해서는 대대적인 개혁이 필요합니다. 여기에서는 1차 철강 생산을 위해 널리 고려되는 탈탄소 경로 중 하나인 녹색 수소 기반 철광석 직접 환원에 이어 전기로 제강에 대한 시장 경쟁력을 조사합니다. 최적화와 머신러닝을 결합하여 300개 이상의 위치를 분석함으로써 경쟁력 있는 재생 가능 에너지 기반 철강 생산이 고품질 철광석 외에도 우수한 태양력과 보조 육상풍을 특징으로 하는 열대 염소자리와 게자리 근처에 위치함을 보여줍니다. 그리고 낮은 철강 노동자 임금. 원료탄 가격이 계속 높게 유지된다면 화석연료 없는 철강은 2030년부터 유리한 위치에서 경쟁력을 확보하고 2050년을 향해 더욱 개선될 수 있습니다. 대규모 구현에는 적합한 철광석과 토지, 물 등 기타 자원의 풍부함, 이와 관련된 기술적 과제에 대한 주의가 필요합니다. 직접적인 감소와 미래의 공급망 구성을 통해

현재 화석 연료는 철강 부문의 혈류입니다. 지구상에서 가장 널리 사용되는 금속1을 생산하는 데 석탄 27EJ(1018J), 가스 3EJ, 전기 5EJ(1400TWh)가 매년 소비됩니다. 강철 1톤당 평균 2톤의 CO2가 발생하며 전 세계 에너지 관련 CO2 배출량의 7%를 차지합니다2. 20213년에 19억 5천만 톤의 철강이 생산되었으며, 20804년에 전 세계 수요가 1인당 250kg으로 수렴되는 점을 감안할 때 2050년까지 21억 9천만 톤으로 증가할 것으로 예상됩니다. 현재 철강 생산의 22%는 2차(스크랩 기반) 전기를 통해 이루어집니다. Pauliuk 등5이 예상한 대로 효과적인 스크랩 수집, 오염 물질 제어 및 거래가 지속되는 한 아크로(EAF) 경로는 2050년까지 수요의 최대 50%까지 증가할 것으로 예상됩니다. 강화된 내구성, 재사용성, 미니멀한 디자인을 포함한 철강 함유 제품의 철저한 재료 효율성 측정을 통해 1차(광석 기반) 철강 수요를 잠재적으로 최대 40%까지 줄일 수 있습니다6. 그러나 세계 경제 발전과 인구 증가는 철강 수요 감소 전망에 반대됩니다. 배출 예측에 따르면 긴급한 공동 공급 및 수요 측면 완화 조치가 필요합니다7. 미래 철강 수요의 상당 부분은 1차 철강으로 충족되어야 할 것이며, 이 기간 동안 현재 기술을 계속 사용하면 배출 집약적인 탄소 기반 철광석 감소가 발생할 것입니다.

탈탄소화에 대한 압력에 대응하여 화석 기반 운영의 에너지 효율성 개선 및 부분 연료 전환(바이오매스 또는 수소)과 같은 점진적인 조치는 철강 부문의 기후 약속을 충족시키기에 충분하지 않습니다. 용광로는 탄소 포집 기술로 개조되거나 단계적으로 폐기되어야 합니다8. 반면에, 심층적인 탈탄소화 기술은 배출 감소, 기술적 타당성, 경제적 실행 가능성 및 개발 성숙도의 다양한 규모로 등장했습니다. 전기 제강로는 재생 가능 전력을 통해 쉽게 탈탄소화할 수 있지만, 제철을 탈탄소화하기 위한 가장 유망한 옵션은 다음과 같습니다: (i) 녹색 수소(H2) 기반 철 직접 환원(DRI), (ii) 천연가스(NG) 기반 DRI 탄소 포집, 활용 및/또는 저장(CCUS), (iii) 바이오매스와 CCUS로 석탄을 부분적으로 대체하는 전통적인 용광로(BF) 또는 제련 환원(SR), (iv) 직접 철광석 전기분해9,10,11 . CO2 포집 솔루션은 지금까지 철강 부문에서 매우 제한된 성공을 거두었습니다. 단 하나의 NG 기반 DR 플랜트만 CCUS12로 운영됩니다. 기존 자산의 사용으로 인해 바람직함에도 불구하고 기존 BF 플랜트를 CCUS로 개조하는 것은 아직 시도되지 않았으며, 배출 지점이 다양하고 연도 가스의 CO2 농도의 가변성을 고려할 때 효과적인 배출 저감 방법도 아닙니다13. 전혀 다른 방향을 제시하는 H2-DRI와 전해채취는 모두 환원제인 탄소가 수소나 전기로 완전히 대체되는 재생에너지 기반 솔루션이다. 혁신적인 기술인 전기채취는 현재 비용이 많이 들고 장기적으로(2040년 이후) 상업화 준비 상태에 도달할 것으로 예상됩니다. 이에 비해 전기로(EAF)(H2-DRI-EAF라고 함)와 결합된 H2-DRI는 해결해야 할 다양한 문제에도 불구하고15 산업 투자 강화16 덕분에 선도적인 심층 탈탄소화 옵션으로 널리 간주되어 왔습니다. 스웨덴의 선구자들17에 의해 시험되었으며 2025년까지 상업 생산을 계획하고 있습니다18.

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>