Modello geotermico potenziato con IA per incertezze energetiche scalabili negli edifici

Perché un riscaldamento e un raffreddamento più intelligenti contano

Le città consumano la maggior parte dell’energia mondiale e una grande parte di questo consumo è destinata al riscaldamento e al raffreddamento degli abitazioni. Con l’aumento di eventi meteorologici estremi e carenze di energia, i pianificatori necessitano di strumenti più affidabili per prevedere il fabbisogno energetico degli edifici e valutare come nuove tecnologie, come le pompe di calore geotermiche, possano ridurre sia le bollette sia le emissioni. Questo studio presenta uno strumento di modellazione rapido e pronto per l’IA che può stimare il consumo energetico dei sistemi geotermici in abitazioni e quartieri, aiutando le comunità a decidere quali interventi offrano il maggior ritorno ambientale e finanziario.

Un modello semplice per un edificio complesso

Invece di affidarsi a motori di simulazione tradizionali e molto dettagliati che richiedono molto tempo per l’esecuzione, gli autori si basano su un modello “a circuito termico” snellito. In questo approccio, una casa viene trattata come un circuito elettrico per il calore: pareti, finestre e aria interna sono rappresentate da un piccolo insieme di resistenze e elementi di accumulo termico. Dati meteorologici, materiali dell’edificio e apporti interni dovuti a Persone e apparecchiature alimentano questo modello, che calcola quindi quanto riscaldamento o raffreddamento una pompa di calore geotermica richiederebbe nel tempo. Il modello è implementato nel linguaggio di programmazione Julia ed è incapsulato in un nuovo software chiamato Building Energy Replica Tool (BERT), progettato fin dall’inizio per essere veloce, scalabile e facile da collegare ad algoritmi di apprendimento automatico.

Confronto con uno standard attendibile

Per verificare l’affidabilità di questo modello leggero, il team confronta i risultati di BERT con quelli di EnergyPlus, un simulatore edilizio standard del settore. Hanno utilizzato una casa di 60 metri quadrati nel campus della New Mexico State University, riproducendone con cura dimensioni, materiali e clima locale. Sia per una giornata estiva molto calda sia per una giornata invernale fredda, i tempi dei picchi di domanda di riscaldamento e raffreddamento coincidono strettamente tra i due strumenti, anche se i valori di picco esatti differiscono di circa il 20–30 percento. BERT tende ad attenuare i picchi acuti a causa del modo in cui rappresenta il calore immagazzinato, ma nel complesso segue quando l’edificio necessita di energia e come i carichi variano nel corso della giornata. Elemento cruciale: BERT è molto più veloce di EnergyPlus e molte decine di volte più veloce rispetto ad altri strumenti ingegneristici, rendendo fattibile eseguire un gran numero di simulazioni.

Individuare le vere cause del consumo energetico

La velocità è importante perché gli autori non cercano solo una singola previsione: vogliono comprendere l’incertezza e quali scelte progettuali siano più rilevanti. Variando gli input chiave mediante metodi avanzati di campionamento e applicando poi analisi di sensibilità globale, esaminano quali parametri hanno il maggiore impatto sul consumo energetico. Con più tecniche, emerge lo stesso messaggio: per gli edifici con sistemi geotermici, la progettazione del circuito sotterraneo e della pompa di calore domina l’incertezza nella domanda energetica. Fattori come la velocità di trasferimento del calore tra suolo e tubazioni, la lunghezza dei tubi interrati e l’efficienza della pompa di calore superano variazioni nell’isolamento delle pareti o nelle proprietà del calcestruzzo all’interno di intervalli realistici. Ulteriori analisi statistiche mostrano come diverse combinazioni di parametri possano produrre curve giornaliere di potenza quasi identiche, evidenziando dove i progettisti hanno margine di flessibilità e dove invece no.

Mettere insieme economia e data science

Poiché il modello è così veloce, il team può estendere l’analisi all’economia e all’intelligenza artificiale. Utilizzando simulazioni annuali complete, confrontano un sistema a pompa di calore geotermica con una caldaia a gas convenzionale e un condizionatore standard, sotto diversi scenari di isolamento delle pareti e prezzi e incentivi locali per Las Cruces, New Mexico. Le opzioni geotermiche riducono costantemente il consumo annuo di riscaldamento e raffreddamento di circa la metà e spesso ripagano il costo iniziale extra in pochi fino a circa quindici anni una volta considerati rimborsi e crediti fiscali—ben entro la vita utile prevista dell’apparecchiatura. Sul fronte IA, addestrano un modello di apprendimento automatico Extreme Gradient Boosting (XGBoost) su migliaia di simulazioni BERT. Con un set di addestramento relativamente modesto, l’algoritmo impara a riprodurre le previsioni energetiche di BERT con precisione quasi perfetta in pochi secondi, dimostrando che un modello basato sulla fisica può essere distillato in un surrogato ultra‑veloce adatto al controllo in tempo reale e alla pianificazione a livello urbano.

Cosa significa per le città future

Per i non specialisti, la conclusione principale è che un modello semplificato e ben progettato può essere sufficientemente accurato per guidare decisioni reali pur essendo abbastanza veloce da esplorare migliaia di scenari «what‑if». Lo studio mostra che, nelle abitazioni geotermiche, l’ottenimento di un sistema sotterraneo e di una pompa di calore corretti è più importante del perfezionamento di ogni dettaglio delle pareti, e che questi sistemi possono essere sia più ecologici sia economicamente vantaggiosi nel corso della loro vita utile. Combinando modelli consapevoli della fisica con l’apprendimento automatico, gli autori pongono le basi per una piattaforma UrbanAI che potrebbe aiutare i pianificatori a testare politiche, le utility a prevedere la domanda e i proprietari o sviluppatori a valutare i benefici a lungo termine di un riscaldamento e raffreddamento più puliti prima di iniziare i lavori.

Citazione: 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

Parole chiave: pompe di calore geotermiche, modellazione energetica degli edifici, pianificazione energetica urbana, apprendimento automatico, riscaldamento e raffreddamento rinnovabili