Un nuevo marco inteligente para aprovechar la energía térmica subterránea mediante la optimización de las propiedades termofísicas del lechada y relleno

Almacenando calor en el subsuelo

A medida que más hogares y ciudades recurren a la energía renovable, un gran desafío es cómo almacenar el calor de una temporada para usarlo en otra. Este estudio examina una forma de tratar el terreno bajo nuestros pies como una enorme batería térmica recargable. Mediante la elección cuidadosa de cómo rellenamos y rodeamos las tuberías subterráneas, y empleando herramientas informáticas inteligentes, los autores demuestran cómo extraer más calor útil del subsuelo mientras se utiliza la energía de manera más eficiente.

Cómo funciona el almacenamiento térmico subterráneo

El almacenamiento térmico subterráneo utiliza perforaciones profundas en el terreno, llamadas sondeos, con tuberías en forma de U en su interior. En verano o cuando hay calor residual disponible, se bombea un fluido caliente por esas tuberías para cargar la roca circundante con calor. En invierno, se envía un fluido más frío para recoger ese calor y entregarlo a los edificios. La roca actúa como una enorme esponja térmica, mientras que el material que rellena el hueco entre las tuberías y la roca, conocido como lechada o relleno, determina con qué facilidad el calor puede entrar y salir de esa esponja.

Por qué importa el material de relleno

El éxito de estos sistemas depende en gran medida de rasgos físicos básicos tanto de la roca como de la lechada, como su conductividad térmica, su capacidad calorífica y su densidad. Si los materiales conducen bien el calor, el sistema puede cargarse y descargarse rápidamente, pero el calor también puede escaparse hacia el terreno más amplio. Si almacenan mucha energía térmica, se puede conservar más energía subterránea, pero puede ser más difícil recuperarla. Los autores muestran que la conductividad térmica de la lechada es especialmente importante para la fase de recuperación, mientras que las propiedades de la roca controlan cuánto se puede almacenar en primer lugar.

Enseñando a los ordenadores a sustituir modelos complejos

Simular completamente el flujo de calor dentro y alrededor de un sondeo es lento y exige muchos recursos informáticos, especialmente si hay que probar muchas opciones de diseño. Para sortear esto, los autores entrenaron redes neuronales artificiales para imitar un modelo numérico detallado de un solo sondeo en roca. Estas redes aprenden a partir de un conjunto de simulaciones de muestra y luego ofrecen predicciones muy rápidas de dos resultados clave: cuánto calor se suministra al terreno y cuánto se recupera después. Al afinar cuidadosamente las redes usando métodos de búsqueda inspirados en la genética y la caza animal, el equipo alcanzó predicciones muy precisas, con una concordancia casi perfecta entre la red y el modelo original.

Buscando los mejores compromisos de diseño

Con estos predictores rápidos, el estudio explora miles de combinaciones posibles de propiedades de roca y lechada. Se utiliza un algoritmo de búsqueda multiobjetivo, modelado en el comportamiento de buitres compartiendo y persiguiendo alimento, para encontrar una serie de mejores compromisos posibles. Cada punto en este frente de Pareto representa un diseño en el que mejorar un objetivo, por ejemplo recuperar más calor, empeoraría automáticamente otro, como la energía necesaria para cargar el terreno. El conjunto resultante abarca energías suministradas de aproximadamente 1,27 a 2,29 gigajulios y energías recuperadas de aproximadamente 0,43 a 0,74 gigajulios, revelando zonas claras donde una carga adicional aporta solo pequeñas ganancias en calor recuperado.

Elegir opciones de diseño para el mundo real

Los ingenieros siguen necesitando opciones claras, no solo una nube de posibilidades, por lo que los autores usan un método de toma de decisiones que clasifica los diseños de Pareto según distintas prioridades. Al cambiar la importancia relativa de baja energía de entrada frente a alta energía recuperada, extraen siete escenarios prácticos. Algunos favorecen entradas de energía muy bajas y recuperación moderada, adecuados para sitios pequeños o con limitaciones energéticas, mientras que otros priorizan mayor recuperación para calefacción distrital o edificios grandes, aceptando mayor energía de carga y lechadas más avanzadas. Este paso muestra cómo el mismo concepto de almacenamiento subterráneo puede ajustarse a muchas condiciones del mundo real.

Qué significa esto para los sistemas energéticos futuros

En términos sencillos, el artículo muestra que las baterías de calor subterráneas pueden hacerse más efectivas seleccionando inteligentemente las propiedades del entorno rocoso y del material de relleno alrededor de las tuberías, guiados por herramientas avanzadas basadas en datos. En lugar de diseño por ensayo y error o reglas empíricas, el marco propuesto permite a los planificadores ver rápidamente cómo los cambios en estos materiales afectan tanto a la energía almacenada como al calor que pueden recuperar de manera realista. Esto puede ayudar a que los sistemas de calefacción y refrigeración basados en el suelo sean más eficientes, flexibles y mejor adaptados a las necesidades de las futuras redes energéticas bajas en carbono.

Cita: 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

Palabras clave: almacenamiento térmico subterráneo, intercambiador de calor en sondeo, calefacción geotérmica, optimización por aprendizaje automático, propiedades térmicas del lechada