نموذج جيولوجي معزز بالذكاء الاصطناعي لتقلبات الطاقة القابلة للتوسع في المباني

لماذا تهم التدفئة والتبريد الأذكى

تستهلك المدن معظم طاقة العالم، وجزء كبير من ذلك يذهب لتدفئة وتبريد المنازل. مع تزايد وتيرة الطقس القاسي وانقطاعات التيار، يحتاج المخططون إلى طرق أفضل للتنبؤ بكمية الطاقة التي ستستهلكها المباني، وإلى فهم كيف يمكن لتقنيات جديدة مثل مضخات الحرارة الأرضية أن تقلل كلّاً من الفواتير والانبعاثات. تقدم هذه الدراسة أداة نمذجة سريعة وجاهزة للذكاء الاصطناعي يمكنها تقدير استهلاك الطاقة لأنظمة الطاقة الحرارية الأرضية في المنازل والأحياء، مما يساعد المجتمعات على تحديد أي التحسينات تعطي أكبر عائد بيئي ومالي.

نموذج بسيط لمبنى معقد

بدلاً من الاعتماد على محركات المحاكاة التقليدية المفصّلة للغاية والتي قد تستغرق وقتاً طويلاً للتشغيل، يعتمد المؤلفون على نموذج «دائرة حرارية» مبسّط. في هذا الاقتراح، يُعامل المنزل كدائرة كهربائية للحرارة: تُمثّل الجدران والنوافذ والهواء الداخلي بمجموعة صغيرة من المقاومات وعناصر تخزين الحرارة. تدخل بيانات الطقس ومواد البناء والاكتساب الداخلي من السكان والمعدات في هذا النموذج، الذي يحسب بعد ذلك مقدار التدفئة أو التبريد الذي ستحتاجه مضخة حرارية أرضية مع مرور الوقت. نُفّذ النموذج بلغة البرمجة جوليا وضمّ إلى برنامج جديد اسمه أداة نسخ طاقة المباني (BERT)، مصمّم من الأَسْاس ليكون سريعاً وقابلاً للتوسع وسهلاً للربط بخوارزميات تعلم الآلة.

التحقق مقابل معيار موثوق

لمعرفة ما إذا كان هذا النموذج الخفيف موثوقاً، يقارن الفريق نتائج BERT بنتائج EnergyPlus، محاكي المباني المعياري في الصناعة. استخدموا منزلاً بمساحة 650 قدماً مربعاً في حرم جامعة ولاية نيو مكسيكو، مع إعادة تمثيل دقيقة لحجمه ومواده والطقس المحلي. بالنسبة ليوم صيفي حار ويوم شتائي بارد، تتطابق توقيتات ذروات الطلب على التدفئة والتبريد بشكل وثيق بين الأداتين، على الرغم من أن قيم الذروة الفعلية تختلف بنحو 20–30 بالمئة. تميل BERT إلى تسطيح الارتفاعات الحادة نتيجة لطريقة تمثيلها للحرارة المخزنة، ولكنها عموماً تتبع متى يحتاج المبنى إلى طاقة وكيف تتغير الأحمال خلال اليوم. والأهم من ذلك أن BERT يعمل أسرع بعدات من EnergyPlus، وبسرعات أعلى بكثير من بعض أدوات الهندسة الأخرى، مما يجعل إجراء عدد كبير من المحاكاة أمراً عملياً.

اكتشاف ما الذي يحدد استهلاك الطاقة فعلاً

تُعد السرعة أمراً مهماً لأن المؤلفين لا يريدون مجرد تنبؤ واحد—بل يرغبون في فهم حالة عدم اليقين وأي خيارات التصميم هي الأكثر تأثيراً. يغيرون المدخلات الرئيسية باستخدام أساليب عينات متقدمة ثم يطبقون تحليلات حساسية عالمية لمعرفة أي المعلمات لها أكبر أثر على استهلاك الطاقة. عبر تقنيات متعددة، يبرز نفس الاستنتاج: بالنسبة للمباني المزودة بأنظمة أرضية، يهيمن تصميم حلقة التربة ومواصفات المضخة الحرارية نفسها على حالة عدم اليقين في الطلب على الطاقة. عوامل مثل معدل نقل الحرارة بين التربة والأنابيب، وطول الأنابيب المدفونة، وكفاءة المضخة الحرارية تتفوق على تغييرات في عزل الجدران أو خصائص الخرسانة ضمن نطاقات واقعية. تُظهر تحليلات إحصائية إضافية كيف يمكن لتركيبات مختلفة من المعلمات أن تنتج منحنى طاقة يومي مشابه تقريباً، مما يبرز المناطق التي يتمتع فيها المصممون بمرونة وأين لا توجد تلك المرونة.

الاستفادة من المال وعلوم البيانات

بفضل سرعة النموذج، يستطيع الفريق توسيع تحليله ليشمل الاقتصاد والذكاء الاصطناعي. باستخدام محاكاة على مدار عام كامل، يقارنون نظام مضخة حرارة أرضية بفرن غازي تقليدي ومكيِّف هواء عادي، تحت سيناريوهات عزلة جدارية مختلفة وأسعار ومحفزات الخدمات المحلية لمدينة لاس كروسيس في نيو مكسيكو. تقلص الخيارات الأرضية طاقة التدفئة والتبريد السنوية بحوالي النصف باستمرار وغالباً ما تعيد تكاليفها الابتدائية الإضافية خلال فترة تتراوح من بضع سنوات إلى نحو خمسة عشر عاماً عند احتساب الحوافز والائتمانات الضريبية—أي ضمن العمر المتوقع للمعدة. وعلى صعيد الذكاء الاصطناعي، درّبوا نموذج تعلم آلي من نوع XGBoost على آلاف محاكيات BERT. مع مجموعة تدريب متواضعة نسبياً، تعلّم الخوارزم أن يحاكي تنبؤات الطاقة لـBERT بدقة تكاد تكون مثالية في ثوانٍ، مما يبرهن أن نموذجاً قائماً على الفيزياء يمكن تكثيفه إلى نموذج بديل فائق السرعة مناسب للتحكم في الزمن الحقيقي والتخطيط على مقياس المدينة.

ماذا يعني هذا للمدن المستقبلية

لغير المتخصصين، الخلاصة الرئيسية هي أن نموذجاً مبنياً بعناية ومبسطاً يمكن أن يكون دقيقاً بما يكفي لتوجيه قرارات حقيقية بينما يكون سريعاً بما يكفي لاستكشاف آلاف سيناريوهات «ماذا لو». توضح الدراسة أنه في المنازل باستخدام الطاقة الحرارية الأرضية، يكون الاهتمام بالنظام تحت الأرض والمضخة الحرارية أكثر أهمية من ضبط كل تفصيل جدار بدقة، وأن هذه الأنظمة يمكن أن تكون أكثر صديقة للبيئة وفعالة من حيث التكلفة على مدى عمرها. من خلال دمج مثل هذه النماذج المدركة للفيزياء مع تعلم الآلة، يمهد المؤلفون الطريق لمنصة UrbanAI يمكن أن تساعد المخططين على اختبار السياسات، والمرافق على توقع الطلب، ومالكي المنازل أو المطورين على رؤية الفوائد طويلة الأجل لتدفئة وتبريد أنظف قبل بدء البناء.

الاستشهاد: Markowitz, A., Abuaamoud, R., Ben Ayed, S. et al. AI-augmented geothermal model for scalable energy uncertainties in buildings. Sci Rep 16, 11907 (2026). https://doi.org/10.1038/s41598-026-40837-4

الكلمات المفتاحية: مضخات الحرارة الأرضية, نمذجة طاقة المباني, تخطيط الطاقة الحضرية, تعلم الآلة, التدفئة والتبريد المتجددة