KI-ergänztes geothermisches Modell für skalierbare Energieunsicherheiten in Gebäuden

Warum intelligentere Heiz- und Kühlsysteme wichtig sind

Städte verbrauchen den Großteil der weltweiten Energie, und ein großer Anteil davon fließt in das Heizen und Kühlen von Wohnungen. Da extremes Wetter und Stromengpässe häufiger werden, brauchen Planer bessere Methoden, um vorherzusagen, wie viel Energie Gebäude verbrauchen, und wie neue Technologien wie geothermische Wärmepumpen sowohl Rechnungen als auch Emissionen senken können. Diese Studie stellt ein schnelles, KI‑bereites Modellierungswerkzeug vor, das den Energiebedarf geothermischer Systeme in Häusern und Vierteln abschätzen kann und Gemeinden hilft zu entscheiden, welche Maßnahmen den größten ökologischen und finanziellen Nutzen bringen.

Ein einfaches Modell für ein komplexes Gebäude

Anstatt sich auf traditionelle, sehr detaillierte Simulationsmotoren zu stützen, die lange Laufzeiten haben können, bauen die Autoren auf einem vereinfachten „thermischen Schaltkreis“-Modell auf. Dabei wird ein Haus wie ein elektrischer Stromkreis für Wärme behandelt: Wände, Fenster und Innenluft werden durch eine kleine Anzahl von Widerständen und Wärmespeicherelementen dargestellt. Wetterdaten, Baustoffe und interne Wärmegewinne durch Personen und Geräte fließen in dieses Modell ein, das dann berechnet, wie viel Heizung oder Kühlung eine geothermische Wärmepumpe im Zeitverlauf benötigen würde. Das Modell ist in der Programmiersprache Julia implementiert und in neue Software namens Building Energy Replica Tool (BERT) eingebettet, die von Grund auf so konzipiert ist, dass sie schnell, skalierbar und leicht mit Algorithmen des maschinellen Lernens verknüpfbar ist.

Abgleich mit einem verlässlichen Standard

Um zu prüfen, ob dieses leichte Modell vertrauenswürdig ist, vergleicht das Team BERTs Ergebnisse mit denen von EnergyPlus, einem branchenüblichen Gebäudesimulator. Sie verwenden ein 650 Quadratfuß großes Haus auf dem Campus der New Mexico State University und reproduzieren sorgfältig dessen Größe, Materialien und örtliches Wetter. Sowohl für einen heißen Sommertag als auch für einen kalten Wintertag stimmt das Timing der Spitzenheiz- und -kühlanforderungen zwischen den beiden Werkzeugen gut überein, wobei die genauen Spitzenwerte um etwa 20–30 Prozent voneinander abweichen. BERT glättet tendenziell scharfe Spitzen aufgrund seiner Darstellung von gespeicherter Wärme, verfolgt aber insgesamt, wann das Gebäude Energie benötigt und wie sich die Lasten im Tagesverlauf ändern. Entscheidend ist, dass BERT mehrere Male schneller läuft als EnergyPlus und um ein Vielfaches schneller als manche anderen Ingenieurwerkzeuge, wodurch eine große Anzahl von Durchläufen praktikabel wird.

Herausfinden, was den Energieverbrauch wirklich antreibt

Geschwindigkeit ist wichtig, weil die Autoren nicht nur eine einzige Vorhersage wollen — sie möchten Unsicherheit verstehen und welche Designentscheidungen am stärksten ins Gewicht fallen. Sie variieren zentrale Eingaben mit fortgeschrittenen Stichprobenverfahren und wenden dann globale Sensitivitätsanalysen an, um zu sehen, welche Parameter den größten Einfluss auf den Energieverbrauch haben. Über verschiedene Methoden hinweg ergibt sich dieselbe Botschaft: Bei Gebäuden mit geothermischen Systemen dominieren die Gestaltung der Erdsonde und die Wärmepumpe selbst die Unsicherheit im Energiebedarf. Faktoren wie der Wärmeübertragungskoeffizient zwischen Boden und Rohrleitungen, die Länge der verlegten Rohrleitungen und die Effizienz der Wärmepumpe überragen Änderungen an Wanddämmung oder Betoneigenschaften innerhalb realistischer Bandbreiten. Weitergehende statistische Analysen zeigen, wie unterschiedliche Parameterkombinationen nahezu dieselbe tägliche Leistungskennlinie erzeugen können, und heben Bereiche hervor, in denen Designer Spielraum haben und wo nicht.

Geld und Data Science einsetzen

Weil das Modell so schnell ist, kann das Team die Analyse auf Ökonomie und künstliche Intelligenz ausweiten. Mithilfe von Ganzjahressimulationen vergleichen sie ein geothermisches Wärmepumpensystem mit einem konventionellen Gasheizkessel und einer Standardklimaanlage unter verschiedenen Wanddämmungs-Szenarien sowie lokalen Energiepreisen und Förderungen für Las Cruces, New Mexico. Geothermische Optionen reduzieren den jährlichen Heiz- und Kühlenergiebedarf konsistent um etwa die Hälfte und amortisieren die höheren Anschaffungskosten häufig innerhalb von wenigen bis rund fünfzehn Jahren, sobald Rabatte und Steuergutschriften berücksichtigt sind — gut innerhalb der erwarteten Lebensdauer der Anlagen. Auf der KI‑Seite trainieren sie ein Extreme Gradient Boosting (XGBoost)‑Modell mit Tausenden von BERT‑Simulationen. Bereits mit einem moderaten Trainingssatz lernt der Algorithmus, BERTs Energievorhersagen in Sekundenschnelle nahezu fehlerfrei nachzubilden, was zeigt, dass ein physikbasiertes Modell in einen ultraflinken Surrogatmodell verdichtet werden kann, das sich für Echtzeitsteuerung und Planung im Stadtmaßstab eignet.

Was das für zukünftige Städte bedeutet

Für Nicht‑Spezialisten lautet die Hauptaussage: Ein sorgfältig gestaltetes, vereinfachtes Modell kann genau genug sein, um reale Entscheidungen zu leiten, während es gleichzeitig schnell genug ist, um Tausende von „Was‑wäre‑wenn“-Szenarien zu untersuchen. Die Studie zeigt, dass es bei geothermischen Gebäuden wichtiger ist, das unterirdische System und die Wärmepumpe richtig auszulegen, als jedes Wanddetail zu optimieren, und dass diese Systeme über ihre Lebensdauer sowohl umweltfreundlicher als auch kosteneffektiv sein können. Durch die Kombination solcher physikbewusster Modelle mit maschinellem Lernen legen die Autoren das Fundament für eine UrbanAI‑Plattform, die Planern helfen könnte, Maßnahmen zu testen, Versorgern Vorhersagen zu ermöglichen und Hauseigentümern oder Entwicklern die langfristigen Vorteile saubererer Heizung und Kühlung zu zeigen, bevor sie mit dem Bau beginnen.

Zitation: 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

Schlüsselwörter: geothermische Wärmepumpen, Gebäudeenergiemodellierung, städtische Energieplanung, maschinelles Lernen, erneuerbares Heizen und Kühlen