जैव-व्युत्पन्न ईंधन दुनिया भर के वैज्ञानिक समुदाय के बीच व्यापक रूप से ध्यान आकर्षित कर रहे हैं। जैव ईंधन पर काम जीवाश्म ईंधन के उपयोग से जुड़े कार्बन उत्सर्जन को कम करने के लिए वैश्विक कॉल के जवाब में है। भारत में भी जैव ईंधन ने शोधकर्ताओं की कल्पना को पकड़ लिया है।
उदाहरण के लिए, भारतीय प्रौद्योगिकी संस्थान (IIT) हैदराबाद के शोधकर्ताओं ने जैव ईंधन को भारत में ईंधन क्षेत्र में शामिल करने के कारकों और बाधाओं को समझने के लिए कम्प्यूटेशनल विधियों का उपयोग करना शुरू कर दिया है।
इस कार्य की एक विशिष्ट विशेषता यह है कि रूपरेखा राजस्व सृजन को न केवल जैव ईंधन की बिक्री के परिणामस्वरूप, बल्कि पूरे परियोजना जीवन चक्र में ग्रीनहाउस गैस उत्सर्जन बचत के माध्यम से कार्बन क्रेडिट के संदर्भ में भी मानती है।
मॉडल से पता चला है कि अगर बायोएथेनॉल मुख्यधारा के ईंधन के साथ एकीकृत है, तो इससे जुड़ी लागतें निम्न हैं: उत्पादन लागत 43 फीसदी, आयात 25 फीसदी, परिवहन 17 फीसदी, बुनियादी ढांचा 15 फीसदी और इन्वेंट्री 0.43 फीसदी। मॉडल ने यह भी दिखाया है कि अनुमानित मांगों को पूरा करने के लिए कम से कम 40 प्रतिशत क्षमता के लिए फीड उपलब्धता की आवश्यकता है।
आईआईटी हैदराबाद के केमिकल इंजीनियरिंग विभाग के प्रमुख शोधकर्ता डॉ. किषलेय मित्रा ने कहा, भारत में, गैर-खाद्य स्रोतों से उत्पन्न जैव ईंधन कार्बन-न्यूट्रल नवीकरणीय ऊर्जा का सबसे आशाजनक स्रोत है। इन दूसरी पीढ़ी के स्रोतों में कृषि अपशिष्ट उत्पाद जैसे कि पुआल, घास और लकड़ी, जैसे अन्य शामिल हैं, जो खाद्य स्रोतों पर ध्यान नहीं देते हैं।
टीम ने देश में कई क्षेत्रों में बायोएनेर्जी पीढ़ी के लिए उपलब्ध कई तकनीकों पर विचार किया है और भारत सरकार द्वारा प्रकाशित, दूसरों के बीच, आपूर्तिकर्ताओं, परिवहन, भंडारण और उत्पादन के डेटा का उपयोग करके पूरी तरह से व्यवहार्यता अध्ययन किया है।
इस शोध पर विस्तार से, IIT हैदराबाद के रिसर्च स्कॉलर कपिल गुम्ते ने कहा, हम आपूर्ति श्रृंखला नेटवर्क को समझने के लिए मशीन सीखने की तकनीक का उपयोग करते हैं। मशीन लर्निंग कृत्रिम बुद्धिमत्ता की एक शाखा है जिसमें कंप्यूटर उपलब्ध डेटा से पैटर्न सीखता है और भविष्य के लिए सिस्टम और भविष्यवाणियों की समझ पैदा करने के लिए स्वचालित रूप से अपडेट करता है।
देश-व्यापी बहु-स्तरित आपूर्ति श्रृंखला नेटवर्क पर तकनीकी-आर्थिक-पर्यावरणीय विश्लेषण और मशीन लर्निंग तकनीकों के उपयोग ने हमें पूर्वानुमान मांगों और अन्य आपूर्ति श्रृंखला मापदंडों में अनिश्चितता और परिचालन और डिजाइन निर्णयों पर उनके प्रभावों को पकड़ने में मदद की है। लंबे समय तक, डॉ. मित्रा ने कहा इस कार्य के परिणामों को जर्नल ऑफ़ क्लीनर प्रोडक्शन में प्रकाशित किया गया है।
