Mejora sostenible del rendimiento de un sistema geotérmico de recuperación de calor mediante datos de campo y aprendizaje automático

Por qué importa aprovechar mejor el calor enterrado

Mientras las ciudades buscan formas más limpias de mantener el confort en los edificios, los sistemas que aprovechan la temperatura estable del subsuelo cobran atención. Estos sistemas de bomba de calor geotérmica pueden reducir el consumo de energía respecto a los acondicionadores de aire y calderas convencionales, pero en regiones con veranos calurosos afrontan un problema oculto: con el tiempo, vierten cada vez más calor residual al suelo, que se calienta lentamente y reduce la eficiencia. Este estudio explora un nuevo diseño que no solo frena ese acumulamiento de calor subterráneo, sino que además convierte el calor residual veraniego en agua caliente útil, guiado por datos reales y herramientas modernas de aprendizaje automático.

Una forma más inteligente de enfriar edificios y calentar agua

Los investigadores probaron una bomba de calor geotérmica con recuperación de calor, o HRGSHP, en un gran edificio industrial en una ciudad china con veranos calurosos e inviernos fríos. Como en un sistema geotérmico normal, circula agua por tuberías verticales profundas en el suelo para absorber o rechazar calor. La novedad es que cada unidad de la bomba de calor contiene dos condensadores dispuestos en paralelo. Con un conjunto de válvulas, el sistema puede o bien enviar el calor no deseado al subsuelo o capturarlo para producir agua caliente para usos como calefacción de espacios, recalentamiento tras deshumidificación o agua caliente sanitaria. En verano, cuando la demanda de refrigeración es alta y también se necesita agua caliente, este diseño permite que la misma máquina enfríe los interiores y suministre agua a 50 °C al mismo tiempo.

Cómo funciona el sistema a lo largo de las estaciones

A lo largo de casi tres años de operación, el sistema alternó entre cuatro modos básicos. En modo solo refrigeración, trabajó de forma muy parecida a un enfriador geotérmico convencional, enviando calor al circuito subterráneo mientras suministraba agua fría al edificio. En un modo combinado de refrigeración más agua caliente, parte del calor se dirigía al suelo y parte a un depósito de agua caliente. También hubo un modo solo agua caliente durante las estaciones templadas y un modo calefacción en invierno, cuando el circuito subterráneo actuó como fuente de calor y el sistema entregó agua caliente para calefacción de espacios. Ajustando la posición de las válvulas, el caudal de agua y la capacidad del compresor, el sistema se adaptó a las variaciones climáticas exteriores y a la demanda interior sin añadir calderas ni torres de refrigeración separadas.

Lo que revelaron años de datos de campo

El equipo registró continuamente temperaturas, caudales, consumo eléctrico, condiciones del suelo y meteorología, acumulando más de doscientas mil medidas. Estas observaciones mostraron que, incluso bajo refrigeración intensa, la temperatura media del suelo a 150 m de profundidad aumentó solo alrededor de 0,45 °C en tres años, mucho menos que los incrementos reportados para sistemas geotérmicos estándar en climas similares. Sin embargo, la eficiencia global de la instalación real fue menor que los valores nominales de laboratorio, en parte porque las bombas a menudo impulsaban más agua de la necesaria, generando diferencias de temperatura pequeñas a través del sistema y despilfarrando electricidad. También surgieron tendencias estacionales: el calentamiento gradual del suelo redujo ligeramente la eficiencia de la refrigeración pero benefició la calefacción invernal al elevar la temperatura de la fuente térmica subterránea.

Dejar que los algoritmos ajusten los mandos

Para extraer más rendimiento del hardware existente, los autores construyeron un marco de optimización basado en datos. Emplearon un tipo de red neuronal para aprender cómo responden los indicadores de eficiencia del sistema a condiciones como la temperatura exterior, las temperaturas y los caudales del agua. Un algoritmo genético buscó entonces los mejores ajustes internos, y un método de decisión conocido como TOPSIS equilibró múltiples objetivos a la vez, incluyendo métricas separadas para la propia bomba de calor y para toda la planta. Este banco de pruebas virtual les permitió explorar muchas combinaciones de operación que serían poco prácticas de ensayar manualmente, respetando al mismo tiempo límites realistas sobre temperaturas y caudales.

Ahorros energéticos y su significado práctico

Al aplicar los ajustes optimizados en su modelo, los resultados fueron notables. En promedio, las medidas de rendimiento en calefacción en invierno mejoraron hasta un 27 por ciento para todo el sistema, mientras que el rendimiento en refrigeración en verano mejoró alrededor de un 21 por ciento. Al mismo tiempo, el análisis indicó que el uso de electricidad podría reducirse aproximadamente en una quinta parte, conduciendo a una estimación de reducción del 19 por ciento en los costes de operación respecto a la forma actual de gestión de la planta. Es importante destacar que estas ganancias no requirieron nuevo equipo, solo diferentes elecciones de temperaturas del agua y velocidades de las bombas guiadas por el método basado en datos.

Qué significa esto para los edificios del futuro

Para un público no especialista, la conclusión es que los sistemas geotérmicos pueden hacerse más limpios y rentables reutilizando su propio calor residual y operándolos de forma más inteligente. El diseño probado evita el sobrecalentamiento del suelo, reduce la dependencia de dispositivos de calefacción y refrigeración separados, y demuestra que el aprendizaje automático puede ayudar a los operadores a encontrar puntos óptimos que el ensayo y error humano podría pasar por alto. Aunque se necesita más trabajo para incluir costes del ciclo de vida detallados y probar otros tipos de edificios, el estudio ofrece una vía práctica para convertir tuberías enterradas y modelos digitales en ahorros energéticos reales.

Cita: Cui, Y., Chong, W.T., Varman, M. et al. Sustainable performance enhancement of a heat recovery ground source heat pump system using field data and machine learning. Sci Rep 16, 15271 (2026). https://doi.org/10.1038/s41598-026-45353-z

Palabras clave: bomba de calor geotérmica, recuperación de calor, energía en edificios, aprendizaje automático, optimización HVAC