This research explores the use of life cycle assessment (LCA) combined with data-driven tools to evaluate the environmental impacts of ethanol production from sugarcane in Brazil. The primary research question investigates how LCA can assess these environmental impacts, identifying critical inputs that influence various impact categories, and how integrating LCA with data-driven methods can simplify LCA’s time-intensive and low-adaptable evaluation process. This study includes a comprehensive environmental impact assessment, sensitivity and scenario analysis for critical inputs, and the integration of data-driven tools to simplify evaluations. Methodologically, the research applies LCA through its four main steps—defining the scope, creating a life cycle inventory, conducting impact assessment, and interpreting results—by breaking down the juice-pathway Brazilian-based ethanol production process into three stages: agricultural, transportation, and industrial stages, with the functional unit being per MJ of ethanol. Results indicate that the agricultural stage has the largest impact across several categories, contributing most to global warming potential (43.1%), ozone depletion (67.5%), freshwater (66.7%) and marine (97.7%) eutrophication, freshwater (66.2%) ecotoxicity, human non-carcinogenic toxicity (63.8%), and land use (94.8%). The transportation stage is the primary contributor to terrestrial ecotoxicity (81.7%), marine ecotoxicity (43.5%), human carcinogenic toxicity (47.7%), mineral resource scarcity (44.8%), and fossil resource scarcity (57.5%), while the industrial stage only impacts the most to terrestrial acidification (60.8%). Key contributors identified as critical inputs across impact categories include fertilizers, pesticides, diesel, water, land use, lime, sulfuric acid, and phosphoric acid. For instance, in the global warming potential category, out of 24.266 g CO₂-eq/MJ emissions, the agricultural stage accounts for 10.45 g CO₂-eq/MJ, with fertilizer contributing the most, over 20%, of this impact. These critical inputs serve as features for the data-driven model, with data drawn from various literature sources and refined in the LCA tool SimaPro to create 90 datasets used for training. An AdaBoost model with a decision tree regressor as the estimator is applied to predict environmental impacts using the LCA results as the training database. The integration of LCA and AdaBoost model demonstrates high adaptability and accuracy in predicting environmental impacts across various pathways and various functional units. Results from the AdaBoost model reveal the coefficient of determination (R²) ranging from 0.9 to 0.985 in test sets. This thesis highlights the potential of machine learning as a valuable tool for predicting environmental impact assessment in sustainable fuel production, with opportunities for further improvement through the integration of additional data from more LCA studies.

Denna forskning undersöker användningen av livscykelanalys (LCA) i kombination med data-drivna verktyg för att utvärdera miljöpåverkan av etanolproduktion från sockerrör i Brasilien. Den huvudsakliga forskningsfrågan undersöker hur LCA kan bedöma dessa miljöpåverkningar, identifiera kritiska insatsfaktorer som påverkar olika kategorier av miljöpåverkan, samt hur integrering av LCA med data-drivna metoder kan förenkla LCA tidskrävande och lågflexibla utvärderingsprocess. Studien omfattar en omfattande miljöpåverkansbedömning, känslighets- och scenarioanalys för kritiska insatsfaktorer, och integrering av data-drivna verktyg för att förenkla utvärderingar. Metodologiskt tillämpar forskningen LCA genom dess fyra huvudsakliga steg—definiera omfattning, skapa en livscykelinventering, genomföra miljöpåverkansbedömning, och tolka resultat—genom att dela upp etanolproduktionsprocessen i tre steg: jordbruks-, transport- och industristegen. Resultaten visar att jordbrukssteget har störst påverkan inom flera kategorier och bidrar mest till global uppvärmningspotential (46.8 %), ozonnedbrytning (67.4 %), övergödning av sötvatten (69.6 %) och marint vatten (97.3 %), ekotoxicitet i sötvatten (68.6 %) och marint vatten (48.7 %), människotoxikologi (karcinogen 59.8 %, icke-karcinogen 64.2 %), samt markanvändning (94.2 %). Transportsteget är den primära bidragaren till ekotoxicitet på land (84.2 %), mineralresursbrist (44.3 %), och brist på fossila resurser (57.6 %), medan industristeget huvudsakligen påverkar försurning på land (60.64 %). Nyckelfaktorer som identifieras som kritiska insatsfaktorer inom flera miljöpåverkanskategorier inkluderar gödningsmedel, bekämpningsmedel, diesel, vatten, markanvändning, kalk, svavelsyra och fosforsyra. Till exempel, i kategorin global uppvärmningspotential, av totalt 25.6 g CO₂-ekvivalenta/MJ utsläpp, står jordbrukssteget för 12 g CO₂-ekv/MJ, där gödningsmedel bidrar med över 20 % av denna påverkan. Dessa kritiska insatsfaktorer fungerar som egenskaper för den data-drivna modellen, där data samlas in från olika litteraturkällor och raffineras i LCA-verktyget SimaPro för att skapa 90 datamängder som används för modellträning. En AdaBoost-modell med beslutsträd som regressionsmodell används för att förutsäga miljöpåverkan, med LCA-resultaten som träningsdatabas. Integrationen av LCA och AdaBoost-modellen visar hög anpassningsförmåga och noggrannhet vid förutsägelse av miljöpåverkan över olika produktionsvägar och funktionella enheter. Resultaten från AdaBoost-modellen visar ett deterministiskt koefficientvärde (R²) som varierar från 0.9 till 0.985 i testseten. Denna avhandling framhäver potentialen hos maskininlärning som ett värdefullt verktyg för att förutsäga miljöpåverkansbedömning inom hållbar bränsleproduktion, med möjligheter till vidare utveckling genom integrering av ytterligare data från fler LCA-studier.