Ein neuartiges intelligentes Framework zur Nutzung unterirdischer thermischer Energie durch Optimierung der thermophysikalischen Eigenschaften von Vergussmassen und Hinterfüllungen

Wärmespeicherung im Untergrund

Während immer mehr Wohnungen und Städte auf erneuerbare Energien umsteigen, ist eine zentrale Herausforderung, wie Wärme aus einer Saison für eine andere gespeichert werden kann. Diese Studie betrachtet einen Ansatz, der den Untergrund unter unseren Füßen wie eine große wiederaufladbare Wärmespeicherbatterie behandelt. Indem man sorgfältig auswählt, wie Rohre unter der Erde verfüllt und umgeben werden, und intelligente Computerwerkzeuge einsetzt, zeigen die Autorinnen und Autoren, wie sich nutzbare Wärme effizienter aus dem Boden zurückgewinnen und gleichzeitig Energie sparsamer eingesetzt werden kann.

Wie unterirdische Wärmespeicherung funktioniert

Die unterirdische thermische Energiespeicherung nutzt tiefe in den Boden gebohrte Löcher, sogenannte Bohrlöcher, in denen U-förmige Rohrleitungen liegen. Im Sommer oder wenn Abwärme verfügbar ist, wird warmes Fluid durch diese Rohre gepumpt, um das umgebende Gestein mit Wärme zu laden. Im Winter wird kühleres Fluid eingespeist, das diese Wärme wieder aufnimmt und an Gebäude liefert. Das Gestein wirkt wie ein großer thermischer Schwamm, während das Material, das den Spalt zwischen den Rohren und dem Gestein füllt — bekannt als Vergussmasse oder Hinterfüllung — darüber entscheidet, wie leicht Wärme in diesen Schwamm hinein- und herausfließen kann.

Warum das Füllmaterial wichtig ist

Der Erfolg solcher Systeme hängt stark von grundlegenden physikalischen Eigenschaften sowohl des Gesteins als auch der Vergussmasse ab, etwa davon, wie gut sie Wärme leiten, wie viel Wärme sie speichern können und wie dicht sie sind. Leiten die Materialien Wärme gut, kann das System schnell laden und entladen, aber Wärme kann auch in den weiter entfernten Untergrund entweichen. Haben sie eine große Wärmekapazität, lässt sich mehr Energie im Untergrund halten, doch kann es schwieriger sein, diese wieder zurückzugewinnen. Die Autorinnen und Autoren zeigen, dass die thermische Leitfähigkeit der Vergussmasse besonders wichtig für die Rückgewinnungsphase ist, während die Gesteinseigenschaften stärker bestimmen, wie viel Wärme überhaupt gespeichert werden kann.

Computern beibringen, komplexe Modelle zu ersetzen

Eine vollständige Simulation des Wärmeflusses in und um ein Bohrloch ist zeitaufwändig und rechenintensiv, besonders wenn viele Gestaltungsoptionen geprüft werden müssen. Um dies zu umgehen, trainierten die Autorinnen und Autoren künstliche neuronale Netze, die ein detailliertes numerisches Modell eines einzelnen Bohrlochs im Gestein nachahmen. Diese Netze lernen aus einer Reihe von Beispielsimulationen und liefern dann sehr schnelle Vorhersagen für zwei wichtige Ergebnisse: wie viel Wärme dem Boden zugeführt wird und wie viel später zurückgewonnen werden kann. Durch sorgfältiges Abstimmen der Netze mit Suchmethoden, die von Genetik und Tierjagd inspiriert sind, erreichte das Team sehr genaue Vorhersagen mit nahezu perfekter Übereinstimmung zwischen Netz und Originalmodell.

Suche nach den besten Designkompromissen

Mit diesen schnellen Prognosemodellen erkundet die Studie anschließend Tausende möglicher Kombinationen von Gesteins- und Verguss-Eigenschaften. Ein multiobjektiver Suchalgorithmus, modelliert nach dem Verhalten von Geiern beim Teilen und Erbeuten von Nahrung, wird eingesetzt, um eine Reihe bestmöglicher Kompromisse zu finden. Jeder Punkt auf dieser Pareto-Front repräsentiert ein Design, bei dem die Verbesserung eines Ziels, etwa mehr zurückgewonnene Wärme, automatisch ein anderes verschlechtern würde, etwa den für das Laden benötigten Energieaufwand. Die resultierende Menge deckt zugeführte Energien von etwa 1,27 bis 2,29 Gigajoule und zurückgewonnene Energien von etwa 0,43 bis 0,74 Gigajoule ab und zeigt Bereiche, in denen zusätzliches Laden nur geringe Zuwächse an rückgewonnener Wärme bringt.

Auswahl realer Designoptionen

Ingenieurinnen und Ingenieure brauchen aber klare Entscheidungen, nicht nur eine Wolke von Optionen. Daher verwenden die Autorinnen und Autoren ein Entscheidungsverfahren, das die Pareto-Designs nach unterschiedlichen Prioritäten gewichtet. Durch Veränderung der relativen Bedeutung von geringem Energieeinsatz gegenüber hoher zurückgewonnener Energie extrahieren sie sieben praxisnahe Szenarien. Einige favorisieren sehr geringen Energieeinsatz und moderate Rückgewinnung, geeignet für kleine oder energiebeschränkte Standorte, andere setzen auf höhere Rückgewinnung für Fernwärme oder große Gebäude und akzeptieren dafür höheren Ladeaufwand und fortschrittlichere Vergussmassen. Dieser Schritt zeigt, wie sich dasselbe Untergrundspeicherkonzept auf viele reale Bedingungen zuschneiden lässt.

Was das für zukünftige Energiesysteme bedeutet

Kurz gesagt zeigt die Arbeit, dass unterirdische Wärmespeicher durch eine intelligente Auswahl der eigenschaftsnahen Umgebung des Gesteins und des Füllmaterials um die Rohre effektiver gemacht werden können — gesteuert durch fortgeschrittene datengetriebene Werkzeuge. Anstatt auf Versuch und Irrtum oder Faustregeln zu setzen, erlaubt das vorgeschlagene Framework Planerinnen und Planern, schnell zu sehen, wie Änderungen dieser Materialien sowohl die in die Speicherung eingebrachte Energie als auch die realistisch zurückgewonnene Wärme beeinflussen. Das kann helfen, bodenbasierte Heiz- und Kühlsysteme effizienter, flexibler und besser an die Anforderungen zukünftiger kohlenstoffarmer Energiesysteme anzupassen.

Zitation: Zandy Ilghani, N., Maleki, H. A novel intelligent framework for harnessing underground thermal energy through the optimization of grout and backfill thermophysical properties. Sci Rep 16, 15931 (2026). https://doi.org/10.1038/s41598-026-46104-w

Schlüsselwörter: unterirdische thermische Energiespeicherung, Sonden-Wärmeübertrager, Geothermie-Heizung, Optimierung mit maschinellem Lernen, thermische Eigenschaften von Vergussmassen