Amélioration durable des performances d’un système de pompe à chaleur géothermique à récupération de chaleur utilisant des données de terrain et l’apprentissage automatique

Pourquoi mieux exploiter la chaleur enfouie importe

Alors que les villes cherchent des solutions plus propres pour maintenir le confort des bâtiments, les systèmes qui exploitent la température stable du sous-sol attirent l’attention. Ces pompes à chaleur géothermiques peuvent réduire la consommation d’énergie par rapport aux climatiseurs et chaudières classiques, mais dans les régions à étés chauds elles font face à un problème caché : avec le temps, elles rejettent de plus en plus de chaleur résiduelle dans le sol, qui se réchauffe lentement et réduit l’efficacité. Cette étude examine une nouvelle conception qui non seulement limite cette accumulation de chaleur souterraine, mais transforme aussi la chaleur perdue estivale en eau chaude utile, guidée par des données réelles et des outils modernes d’apprentissage automatique.

Une manière plus intelligente de refroidir les bâtiments et chauffer l’eau

Les chercheurs ont testé une pompe à chaleur géothermique à récupération de chaleur (HRGSHP) dans un grand bâtiment industriel d’une ville chinoise aux étés chauds et hivers froids. Comme un système géothermique classique, il fait circuler de l’eau dans des conduites verticales profondes pour absorber ou rejeter la chaleur. La particularité est que chaque unité de pompe contient deux condenseurs disposés en parallèle. Grâce à un ensemble de vannes, le système peut soit évacuer la chaleur indésirable dans le sol, soit la capter pour produire de l’eau chaude destinée à des usages tels que le chauffage des locaux, le réchauffage après déshumidification ou l’eau chaude sanitaire. En été, lorsque les besoins de refroidissement sont élevés et que l’eau chaude est aussi utile, cette conception permet à la même machine de refroidir les espaces intérieurs et de fournir simultanément de l’eau à 50 °C.

Comment le système fonctionne au fil des saisons

Sur près de trois ans d’exploitation, le système a alterné entre quatre modes de base. En mode refroidissement pur, il fonctionnait comme un refroidisseur géothermique conventionnel, rejetant la chaleur dans la boucle souterraine tout en fournissant de l’eau glacée au bâtiment. En mode combiné refroidissement plus eau chaude, une partie de la chaleur allait dans le sol et une autre partie alimentait un ballon d’eau chaude. Il y avait aussi un mode eau chaude uniquement pendant les saisons douces et un mode chauffage en hiver, lorsque la boucle souterraine servait de source de chaleur et que le système fournissait de l’eau chaude pour le chauffage des locaux. En ajustant la position des vannes, les débits d’eau et la capacité des compresseurs, le système s’adaptait aux variations météorologiques extérieures et aux demandes intérieures sans ajouter de chaudières ou de tours de refroidissement séparées.

Ce que les années de données de terrain ont révélé

L’équipe a enregistré en continu des températures, des débits, la consommation électrique, les conditions du sol et la météo, accumulant plus de deux cent mille points de données. Ces mesures ont montré que, même sous un fort refroidissement, la température moyenne du sol à 150 m de profondeur n’a augmenté que d’environ 0,45 °C sur trois ans, bien moins que les augmentations rapportées pour des systèmes géothermiques standard dans des climats similaires. Cependant, l’efficacité globale de l’installation réelle était inférieure aux valeurs mesurées en laboratoire, en partie parce que les pompes pulsaient souvent plus d’eau que nécessaire, créant de faibles différences de température à travers le système et gaspillant de l’électricité. Des tendances saisonnières sont également apparues : le réchauffement progressif du sol a légèrement dégradé l’efficacité en refroidissement mais a aidé le chauffage hivernal en élevant la température de la source de chaleur souterraine.

Laisser les algorithmes régler les réglages

Pour extraire davantage de performance du matériel existant, les auteurs ont construit un cadre d’optimisation basé sur les données. Ils ont utilisé un type de réseau de neurones pour apprendre comment les indicateurs d’efficacité du système réagissent à des conditions telles que la température extérieure, les températures de l’eau et les débits. Un algorithme génétique a ensuite cherché les meilleurs réglages internes, et une méthode de décision connue sous le nom de TOPSIS a permis de concilier plusieurs objectifs simultanément, incluant des mesures distinctes pour la pompe à chaleur elle‑même et pour l’ensemble de l’installation. Ce banc d’essai virtuel leur a permis d’explorer de nombreuses combinaisons de fonctionnement qu’il serait peu pratique d’essayer manuellement tout en respectant des limites réalistes de températures et de débits.

Économies d’énergie et ce que cela signifie en pratique

Lorsqu’ils ont appliqué les réglages optimisés dans leur modèle, les résultats ont été saisissants. En moyenne, les mesures de performance en chauffage l’hiver se sont améliorées jusqu’à 27 % pour l’ensemble du système, tandis que la performance en refroidissement l’été s’est améliorée d’environ 21 %. Parallèlement, l’analyse a indiqué que la consommation électrique pourrait diminuer d’environ un cinquième, entraînant une réduction estimée de 19 % des coûts d’exploitation par rapport au mode de fonctionnement actuel de l’installation. Fait important, ces gains ne nécessitaient pas de nouvel équipement, seulement des choix différents de températures d’eau et de vitesses de pompes guidés par la méthode basée sur les données.

Ce que cela signifie pour les bâtiments futurs

Pour un non‑spécialiste, la conclusion est que les systèmes de pompe à chaleur géothermiques peuvent être à la fois plus propres et plus économiques en réutilisant leur propre chaleur résiduelle et en étant pilotés de façon plus intelligente. La conception testée empêche la surchauffe du sol, réduit la dépendance aux dispositifs de chauffage et de refroidissement séparés, et montre que l’apprentissage automatique peut aider les opérateurs à trouver des points de fonctionnement optimaux que les essais et erreurs humains pourraient manquer. Bien que des travaux supplémentaires soient nécessaires pour intégrer des coûts détaillés du cycle de vie et tester d’autres types de bâtiments, l’étude offre une voie pragmatique pour transformer les tuyaux enfouis et les modèles numériques en véritables économies d’énergie.

Citation: 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

Mots-clés: pompe à chaleur géothermique, récupération de chaleur, énergie du bâtiment, apprentissage automatique, optimisation CVC