Verso una produzione energetica sostenibile: un quadro comparativo di machine learning per prevedere il costo dell’idrogeno verde nel continente africano

Perché il prezzo dell’idrogeno verde conta

Mentre il mondo cerca modi per ridurre l’inquinamento da carbonio di navi, industrie e trasporti a lunga distanza, l’idrogeno verde è emerso come un combustibile pulito promettente. Ma la sua diffusione dipende da una domanda semplice e irremovibile: quanto costerà produrre un chilogrammo? Questo studio affronta la questione per l’Africa, un continente ricco di sole e vento ma con pochi dati concreti su quale potrebbe essere il costo dell’idrogeno verde nei diversi Paesi.

Visione d’insieme: una mappa dei costi a livello continentale

I ricercatori si sono posti l’obiettivo di costruire un quadro continentale, basato sui dati, dei costi dell’idrogeno verde. Invece di concentrarsi su un singolo impianto o Paese, hanno raccolto 54 scenari che coprono molte nazioni africane, ognuno descrivendo un possibile progetto di idrogeno. Per ogni scenario hanno registrato il costo medio di produzione dell’idrogeno nel corso della vita utile e altri 14 fattori, come la dimensione degli impianti solari e eolici, la capacità degli elettrolizzatori, la quantità di stoccaggio e infrastrutture di rete necessarie, la sicurezza e affidabilità del sistema energetico locale, la fase di sviluppo del progetto e il consumo idrico previsto. Mettendo insieme tutti questi elementi in una tabella comune e attentamente armonizzata, hanno creato una base per confrontare i Paesi in modo coerente.

Come funziona lo strumento intelligente di screening

Invece di calcolare manualmente i costi per ogni caso, il team ha addestrato una serie di modelli di machine learning per apprendere i collegamenti tra le caratteristiche dei progetti e il costo finale dell’idrogeno. Hanno suddiviso i dati in modo che la maggior parte degli scenari fosse usata per l’addestramento e il resto fosse riservato come test indipendente. Sono stati provati undici metodi diversi, da formule lineari semplici ad approcci più flessibili basati su alberi e reti neurali profonde. Per evitare l’illusione dell’overfitting — modelli che memorizzano invece di generalizzare — hanno impiegato una validazione incrociata annidata, mescolando e suddividendo ripetutamente i dati per verificare la stabilità delle previsioni su molteplici esecuzioni.

Cosa fa salire o scendere i costi

Il modello con le migliori prestazioni è risultato essere un sistema di gradient boosting ottimizzato, che combina molti semplici alberi decisionali per catturare pattern complessi. Ha ricostruito i costi osservati dell’idrogeno con notevole accuratezza, lasciando solo pochi centesimi di errore medio per chilogrammo. Utilizzando una tecnica chiamata SHAP, gli autori hanno poi «aperto la scatola nera» per capire quali fattori pesavano di più nelle decisioni del modello. Impianti rinnovabili più grandi e sistemi di elettrolisi più estesi erano fortemente associati a costi previsti più bassi, riflettendo economie di scala. Anche Paesi con maggiore sicurezza energetica — sistemi elettrici più affidabili e diversificati — tendevano a presentare costi inferiori nel modello. Al contrario, una domanda d’acqua maggiore e lunghe condotte di distribuzione spingevano verso l’alto i costi previsti, suggerendo l’importanza dei limiti alle risorse locali e delle esigenze infrastrutturali.

Modelli tra Paesi e fasi di progetto

Osservando i 54 scenari africani, il costo tipico dell’idrogeno verde si attestava intorno a 4,9 euro al chilogrammo, con valori che andavano circa da 3,75 a 5,60 euro. Ma questi numeri non erano casuali. I progetti che avevano raggiunto fasi avanzate di progettazione dettagliata o costruzione tendevano a raggrupparsi nella parte bassa dell’intervallo dei costi, mentre le idee in fase concettuale risultavano nettamente più costose. Questo suggerisce che, con la maturazione dei progetti — chiarendo design, infrastrutture e finanziamenti — il costo previsto dell’idrogeno diminuisce. L’analisi ha anche mostrato che i costi bassi generalmente coincidevano con sistemi ben integrati e su larga scala che abbinano grandi impianti rinnovabili a robusti sistemi di stoccaggio, condotte e una governance energetica solida, piuttosto che dipendere da un singolo ingrediente magico o da un Paese in particolare.

Collegamenti con obiettivi di sostenibilità più ampi

Poiché gli stessi indicatori usati per prevedere i costi sono legati anche a questioni sociali e ambientali, gli autori hanno esaminato come i loro risultati si relazionano agli Obiettivi di Sviluppo Sostenibile globali. Una maggiore capacità rinnovabile e una migliore sicurezza energetica collegano l’espansione dell’idrogeno verde all’accesso a energia pulita e conveniente e a infrastrutture moderne. Allo stesso tempo, indicatori come la riduzione delle emissioni di CO2, la domanda d’acqua e i livelli di investimento rivelano compromessi e sinergie con l’azione climatica e la pressione sulle risorse idriche. Il quadro non pretende di misurare gli impatti reali completi sul mondo reale, ma fornisce un punto di partenza trasparente per bilanciare insieme costi, benefici climatici, infrastrutture e risorse.

Cosa significa per i decisori

In termini pratici, questo studio offre uno strumento di screening rapido per governi, investitori e pianificatori che devono decidere dove concentrare attenzione e capitali limitati. Mostra che, negli scenari esaminati, i costi dell’idrogeno verde in Africa sono competitivi soltanto quando i progetti sono grandi, ben integrati con sistemi elettrici affidabili e pianificati con attenzione rispetto ai vincoli idrici e infrastrutturali. Il quadro di machine learning non può sostituire studi ingegneristici e finanziari dettagliati, ma può rapidamente evidenziare quali Paesi e progetti sembrano più promettenti — e quali meritano approfondimenti — molto prima che il cemento sia versato o le condotte siano posate.

Citazione: Elewa, A.M.T., Snousy, M.G., Saqr, A.M. et al. Toward sustainable energy production: a comparative machine learning framework for predicting green hydrogen cost across the african continent. Sci Rep 16, 12855 (2026). https://doi.org/10.1038/s41598-026-47726-w

Parole chiave: idrogeno verde, energia in Africa, machine learning, energia rinnovabile, infrastrutture sostenibili