Modelo geotérmico aumentado con IA para incertidumbres energéticas escalables en edificios

Por qué importa una calefacción y refrigeración más inteligentes

Las ciudades consumen la mayor parte de la energía mundial, y gran parte de ese consumo se destina a calentar y enfriar viviendas. A medida que el clima extremo y las escaseces de electricidad se vuelven más frecuentes, los planificadores necesitan mejores formas de predecir cuánta energía usarán los edificios y cómo tecnologías nuevas, como las bombas de calor geotérmicas, pueden reducir tanto las facturas como las emisiones. Este estudio presenta una herramienta de modelado rápida y lista para IA que puede estimar el consumo energético de sistemas geotérmicos en viviendas y vecindarios, ayudando a las comunidades a decidir qué mejoras ofrecen el mayor beneficio ambiental y financiero.

Un modelo simple para un edificio complejo

En lugar de depender de motores de simulación tradicionales y muy detallados que pueden tardar mucho tiempo en ejecutarse, los autores se basan en un modelo simplificado de “circuito térmico”. En este enfoque, una casa se trata como un circuito eléctrico para el calor: paredes, ventanas y aire interior se representan como un pequeño conjunto de resistencias y elementos de almacenamiento térmico. Datos meteorológicos, materiales de construcción y ganancias internas por personas y equipos alimentan este modelo, que luego calcula cuánto calentamiento o refrigeración necesitaría una bomba de calor geotérmica a lo largo del tiempo. El modelo está implementado en el lenguaje de programación Julia y envuelto en un nuevo software llamado Building Energy Replica Tool (BERT), diseñado desde cero para ser rápido, escalable y fácil de conectar con algoritmos de aprendizaje automático.

Comprobando frente a un estándar de confianza

Para evaluar si este modelo ligero es fiable, el equipo compara los resultados de BERT con los de EnergyPlus, un simulador de edificios estándar en la industria. Usan una vivienda de 650 pies cuadrados en el campus de la New Mexico State University, reproduciendo cuidadosamente su tamaño, materiales y clima local. Tanto para un día caluroso de verano como para un día frío de invierno, el momento de las demandas máximas de calefacción y refrigeración coincide estrechamente entre las dos herramientas, aunque los valores máximos exactos difieren en torno al 20–30 por ciento. BERT tiende a suavizar picos pronunciados debido a cómo representa el calor almacenado, pero en general sigue cuándo el edificio necesita energía y cómo cambian las cargas a lo largo del día. De forma crucial, BERT se ejecuta varias veces más rápido que EnergyPlus, y muchas decenas de veces más rápido que algunas otras herramientas de ingeniería, lo que hace factible realizar un gran número de ejecuciones.

Encontrar lo que realmente impulsa el consumo energético

La velocidad importa porque los autores no buscan solo una predicción única: quieren comprender la incertidumbre y qué decisiones de diseño son más relevantes. Variando entradas clave mediante métodos avanzados de muestreo y aplicando análisis de sensibilidad global, examinan qué parámetros tienen el mayor impacto en el consumo energético. A través de múltiples técnicas surge el mismo mensaje: para edificios con sistemas geotérmicos, el diseño del circuito de suelo y la propia bomba de calor dominan la incertidumbre en la demanda energética. Factores como la tasa de transferencia de calor entre el suelo y las tuberías, la longitud de las tuberías enterradas y la eficiencia de la bomba de calor superan a cambios en el aislamiento de las paredes o en las propiedades del hormigón dentro de rangos realistas. Un análisis estadístico adicional muestra cómo distintas combinaciones de parámetros pueden producir casi la misma curva diaria de potencia, destacando dónde los diseñadores tienen flexibilidad y dónde no la tienen.

Poner en práctica dólares y ciencia de datos

Gracias a la rapidez del modelo, el equipo puede ampliar su análisis a la economía y a la inteligencia artificial. Usando simulaciones de todo el año, comparan un sistema de bomba de calor geotérmica con una caldera de gas convencional y un aire acondicionado estándar, bajo distintos escenarios de aislamiento de paredes y precios e incentivos locales de la compañía eléctrica para Las Cruces, Nuevo México. Las opciones geotérmicas reducen de forma constante la energía anual de calefacción y refrigeración en aproximadamente la mitad y con frecuencia amortizan su coste adicional inicial en entre unos pocos y alrededor de quince años una vez contados subsidios y créditos fiscales, muy dentro de la vida útil esperada del equipo. En el ámbito de la IA, entrenan un modelo de aprendizaje automático Extreme Gradient Boosting (XGBoost) con miles de simulaciones de BERT. Con solo un conjunto de entrenamiento modesto, el algoritmo aprende a reproducir las predicciones energéticas de BERT con precisión casi perfecta en segundos, demostrando que un modelo basado en la física puede destilarse en un sustituto ultrarrápido adecuado para control en tiempo real y planificación a escala urbana.

Qué significa esto para las ciudades del futuro

Para el público general, la conclusión principal es que un modelo simplificado y bien diseñado puede ser lo suficientemente preciso como para orientar decisiones reales, a la vez que es lo bastante rápido como para explorar miles de escenarios hipotéticos. El estudio muestra que, en viviendas geotérmicas, acertar con el sistema subterráneo y la bomba de calor importa más que afinar cada detalle de las paredes, y que estos sistemas pueden ser tanto más ecológicos como rentables a lo largo de su vida útil. Combinando modelos conscientes de la física con aprendizaje automático, los autores sientan las bases para una plataforma UrbanAI que podría ayudar a los planificadores a probar políticas, a las compañías eléctricas a prever la demanda y a propietarios o promotores a ver los beneficios a largo plazo de una calefacción y refrigeración más limpias antes de que comiencen las obras.

Cita: 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

Palabras clave: bombas de calor geotérmicas, modelado energético de edificios, planificación energética urbana, aprendizaje automático, calefacción y refrigeración renovables