מודל גיאותרמי משופר בבינה מלאכותית לחוסר ודאות אנרגטי בקנה מידה של מבנים

למה חימום וקירור חכמים חשובים

ערים צורכות את רוב האנרגיה בעולם, וחלק גדול ממנה מיועד לחימום וקירור בתים. ככל שמזג האוויר הקיצוני וחוסרי החשמל הופכים לשכיחים יותר, מתכננים זקוקים לכלים טובים יותר לחיזוי צריכת האנרגיה של מבנים, וכיצד טכנולוגיות חדשות כמו משאבות חום גיאותרמיות יכולות להפחית גם חשבונות וגם פליטות. המחקר הזה מציג כלי הדמיה מהיר, מוכן לבינה מלאכותית, שיכול להעריך את צריכת האנרגיה של מערכות גיאותרמיות בבתים ושכונות, ולעזור לקהילות להחליט אילו שדרוגים יניבו את התשואה הסביבתית והכלכלית הגדולה ביותר.

מודל פשוט למבנה מורכב

במקום להסתמך על מנועי סימולציה מסורתיים ומפורטים שיכולים לקחת זמן רב להרצה, המחברים מבססים את עבודתם על מודל "מעגל תרמי" ממוקד. בגישה זו, בית מטופל כאילו היה מעגל חשמלי לחום: קירות, חלונות ואוויר פנימי מיוצגים כמערכת קטנה של התנגדויות ואלמנטים לאגירת חום. נתוני מזג אוויר, חומרי בנייה ורווחים פנימיים מאנשים וציוד מוזנים למודל זה, שמחשב אחר כך כמה חימום או קירור משאבת חום גיאותרמית תדרוש לאורך זמן. המודל מיושם בשפת התכנות Julia ומשולב בתוכנה חדשה הנקראת Building Energy Replica Tool (BERT), שנבנתה מלמטה כדי להיות מהירה, סקלבילית וקלה לחיבור עם אלגוריתמים של למידת מכונה.

בדיקה מול תקן מהימן

כדי לבדוק האם המודל הקל משקל הזה אמין, הצוות משווה את תוצאות BERT לאלה של EnergyPlus, סימולטור מבנים תקני בתעשייה. הם משתמשים בבית בשטח של כ‑650 רגל מרובע בקמפוס של אוניברסיטת מדינת ניו מקסיקו, ומשחזרים בקפידה את גודלו, חומריו והאקלים המקומי. הן ליום קיץ חם והן ליום חורף קר, תזמון שיאי הביקושים לחימום וקירור תואם באופן הדוק בין הכלים, למרות שערכי השיא המדויקים נבדלים בכ‑20–30 אחוזים. BERT נוטה להחליק קפיצות חדות בגלל הדרך שבה הוא מייצג חום מאוגּר, אך בסיכום הוא עוקב מתי המבנה זקוק לאנרגיה וכיצד העומסים משתנים במהלך היום. ובעיקר חשוב — BERT רץ כמה פעמים מהר יותר מ‑EnergyPlus, ואף עשרות פעמים מהר יותר מכלים הנדסיים אחרים, מה שהופך הרצות רבות לאפשריות.

איתור הגורמים האמיתיים לצריכת אנרגיה

מהירות חשובה כי המחברים לא רוצים רק תחזית בודדת — הם רוצים להבין חוסר ודאות ואילו החלטות תכנוניות משפיעות יותר. הם משתנים בקלטים מרכזיים באמצעות שיטות דגימה מתקדמות ואז מפעילים ניתוחי רגישות גלובליים כדי לראות אילו פרמטרים משפיעים ביותר על צריכת האנרגיה. במספר טכניקות שונות עולה אותה תמצית: במבנים עם מערכות גיאותרמיות, תכנון לולאת הקרקע ומשאבת החום עצמה שולטים בחוסר הוודאות של הביקוש לאנרגיה. גורמים כמו שיעור העברת החום בין הקרקע לצינורות, אורך הצנרת החבויה ויעילות משאבת החום מדורגים מעל שינויים בבידוד הקירות או בתכונות הבטון בטווחים ריאליסטיים. ניתוח סטטיסטי נוסף מראה כיצד צירופים שונים של פרמטרים יכולים לייצר כמעט את אותו עקומת צריכה יומית, ומאיר היכן למעצבים יש גמישות והיכן אין.

להשתמש בכסף ובמדעי הנתונים

בשל מהירות המודל, הצוות יכול להרחיב את ניתוחם לכלכלה ולבינה מלאכותית. באמצעות סימולציות של שנה מלאה הם משווים מערכת משאבת חום גיאותרמית לתנור גז קונבנציונלי וממ־/מזגן סטנדרטי, תחת תרחישי בידוד קיר שונים ומחירי שירות ותמריצים מקומיים עבור לאס קרוס, ניו מקסיקו. אפשרויות גיאותרמיה מקטינות בעקביות את צריכת החימום והקירור השנתית בכ‑כחצי ובמקרים רבים מחזירות את עלותן התחלתית תוך כמה עד כ־חמש־עשרה שנים לאחר מזכרות ותמריצים — טווח שנמצא בתוך חיי השירות הצפויים של הציוד. בצד הבינה המלאכותית הם מאמנים מודל Extreme Gradient Boosting (XGBoost) על אלפי סימולציות BERT. עם מערך אימון מתון בלבד, האלגוריתם לומד לשחזר את תחזיות האנרגיה של BERT בדיוק כמעט מושלם בשניות, ומדגים שמודל מבוסס פיזיקה יכול להיות מדולל לתחליף מהיר מאוד המתאים לשליטה בזמן אמת ולתכנון בקנה מידה עירוני.

מה זה אומר לעיר העתידית

לא־מומחים, המסקנה המרכזית היא שמודל מתוכנן בקפידה ומפושט יכול להיות מדויק מספיק כדי להנחות החלטות אמיתיות ובאותו זמן מהיר מספיק כדי לבדוק אלפי תרחישי "מה אם". המחקר מראה שבבתים גיאותרמיים, תכנון מערכת התת‑קרקע ומשאבת החום חשובים יותר מלכוון כל פרט בקיר, ושהמערכות הללו יכולות להיות גם ירוקות יותר וגם כלכליות לאורך חיי השירות שלהן. בשילוב מודלים מודעים לפיזיקה כאלה עם למידת מכונה, המחברים מניחים את היסוד לפלטפורמת UrbanAI שיכולה לעזור למתכננים לבדוק מדיניות, לחברות חשמל לחזות ביקוש ולבעלי בתים או יזמים לראות את היתרונות לטווח הארוך של חימום וקירור נקיים לפני תחילת העבודות.

ציטוט: 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

מילות מפתח: מחליפי חום גיאותרמיים, הדמיית אנרגיה בבניינים, תכנון אנרגיה עירוני, למידת מכונה, חימום וקירור מתחדשים