R3Power es un proyecto subvencionado por el CDTI y apoyado por el Ministerio de Ciencia e Innovación mediante el programa TRANSMISIONES 2024, y da respuesta a dos grandes desafíos del sector eólico español para 2030: la gestión de un parque envejecido, que generará unas 20.000 toneladas anuales de residuos difíciles de reciclar, y la necesidad de triplicar la capacidad instalada hasta alcanzar los 451 GW.

Tiene como objetivo dar un salto diferencial en el presente contexto, presentando una iniciativa integral, fiable y sólida en la “repotenciación circular integral” de parques eólicos, aplicando tres estrategias conjuntas que maximicen su circularidad en torno al aprovechamiento de residuos —reutilización, reciclaje y revalorización (residuo cero)— y en torno a su prevención —nuevos materiales fácilmente reciclables y reparables—, catalizado todo ello por tecnologías transversales como la IA, y persiguiendo el bajo impacto ambiental y económico de cada una de las estrategias.

El consorcio está encabezado por Norvento y formado por HI-Iberia, CETIM, Ciemat, Renercycle, Temha, Girawind, Acteco, Aeroblade, Aerox, Universidad de Valladolid y AIMEN.

R3POWER propone aprovechar infraestructuras existentes y desarrollar nuevas tecnologías de reciclaje de palas de aerogenerador, además de investigar materiales sostenibles, reciclables y reparables. Para ello, el consorcio investigador aplica estrategias de reciclado avanzado, inteligencia artificial y ecodiseño, y evalúa la viabilidad técnica, económica y medioambiental de las soluciones obtenidas. En concreto, el proyecto contempla la construcción y prueba, en 2028, de un aerogenerador experimental de entre 600 y 800 kW que servirá como demostrador tecnológico.

Los objetivos de HI-Iberia se enfocan en el desarrollo de algoritmos predictivos mediante IA para tecnologías de reciclado y nuevos materiales:

• Uso de dinámica molecular y modelos de IA para simular procesos de reciclaje de resinas epoxi, optimizando parámetros relevantes para maximizar la eficiencia de la reacción y la obtención de los productos deseados.
• Uso de modelos de IA para predecir la actividad de enzimas, diseñar e identificar aquellas con mayor eficiencia catalítica y especificidad, predecir secuencias genéticas capaces de codificarlas, así como modelar la relación existente entre estructura tridimensional y actividad catalítica.
• Uso de dinámica molecular para el desarrollo de resinas mejoradas y simulación del proceso de reciclaje de las nuevas resinas y formulaciones, evaluando su comportamiento y eficiencia en condiciones reales.
• Validación experimental de los resultados obtenidos mediante simulaciones, ajustando y optimizando las formulaciones basadas en los datos experimentales.