Miglioramento delle prestazioni sostenibili di un sistema geotermico a pompa di calore con recupero di calore usando dati di campo e apprendimento automatico

Perché usare meglio il calore sepolto è importante

Mentre le città cercano modalità più pulite per mantenere il comfort negli edifici, i sistemi che sfruttano la temperatura stabile del sottosuolo attirano sempre più attenzione. Queste pompe di calore geotermiche possono ridurre i consumi rispetto ai normali condizionatori d’aria e caldaie, ma nelle regioni con estati calde incontrano un problema nascosto: col tempo riversano nel terreno sempre più calore di scarto, che lentamente si riscalda e riduce l’efficienza. Questo studio esplora un nuovo progetto che non solo limita l’accumulo di calore sotterraneo, ma trasforma il calore estivo di scarto in acqua calda utile, guidato da dati reali e da strumenti moderni di apprendimento automatico.

Un modo più intelligente di raffrescare gli edifici e riscaldare l’acqua

I ricercatori hanno testato una pompa di calore geotermica con recupero di calore (HRGSHP) in un grande edificio industriale in una città cinese con estati calde e inverni freddi. Come in un normale sistema geotermico, circola acqua attraverso tubi verticali profondi nel terreno per assorbire o rilasciare calore. La novità è che ogni unità della pompa di calore contiene due condensatori disposti in parallelo. Con un insieme di valvole, il sistema può o inviare il calore indesiderato nel terreno o catturarlo per produrre acqua calda per usi come il riscaldamento degli ambienti, il preriscaldo dopo la deumidificazione o l’acqua calda sanitaria. In estate, quando la domanda di raffreddamento è alta e l’acqua calda è utile, questo progetto permette alla stessa macchina di raffrescare gli spazi interni e fornire acqua a 50 °C contemporaneamente.

Come il sistema opera durante le stagioni

Per quasi tre anni di funzionamento, il sistema ha alternato quattro modalità di base. In modalità di solo raffreddamento ha funzionato molto come un normale frigorifero geotermico, inviando calore al circuito sotterraneo e fornendo acqua refrigerata all’edificio. In una modalità combinata raffreddamento più acqua calda, parte del calore veniva mandata al terreno e parte accumulata in un serbatoio di acqua calda. C’era anche una modalità solo acqua calda durante le stagioni miti e una modalità di riscaldamento in inverno, quando il circuito sotterraneo agiva come fonte di calore e il sistema forniva acqua calda per il riscaldamento degli ambienti. Regolando la posizione delle valvole, la portata dell’acqua e la capacità del compressore, il sistema si adattava alle variazioni del clima esterno e delle esigenze interne senza aggiungere caldaie o torri di raffreddamento separate.

Cosa hanno rivelato anni di dati di campo

Il team ha registrato in modo continuo temperature, portate, consumi elettrici, condizioni del suolo e meteo, raccogliendo più di duecentomila punti dati. Queste misure hanno mostrato che, anche sotto forte raffreddamento, la temperatura media del suolo a 150 m di profondità è aumentata solo di circa 0,45 °C in tre anni, molto meno degli incrementi riportati per sistemi geotermici standard in climi simili. Tuttavia, l’efficienza complessiva dell’impianto reale era inferiore ai valori di laboratorio, in parte perché le pompe spesso spingevano più acqua del necessario, creando piccole differenze di temperatura nel sistema e sprecando elettricità. Sono emerse anche tendenze stagionali: il graduale riscaldamento del suolo ha leggermente danneggiato l’efficienza di raffreddamento ma ha avvantaggiato il riscaldamento invernale aumentando la temperatura della fonte sotterranea.

Lasciare che gli algoritmi aggiustino i comandi

Per estrarre più prestazioni dall’hardware esistente, gli autori hanno costruito un framework di ottimizzazione basato sui dati. Hanno usato un tipo di rete neurale per apprendere come gli indicatori di efficienza del sistema rispondono a condizioni come temperatura esterna, temperature e portate dell’acqua. Un algoritmo genetico ha quindi cercato le migliori impostazioni interne, e un metodo decisionale noto come TOPSIS ha bilanciato contemporaneamente obiettivi multipli, incluse misure separate per la pompa di calore stessa e per l’impianto nel suo complesso. Questo banco di prova virtuale ha permesso di esplorare molte combinazioni operative che sarebbero impraticabili da testare manualmente, rispettando comunque limiti realistici su temperature e portate.

Risparmi energetici e cosa significano nella pratica

Quando hanno applicato le impostazioni ottimizzate nel loro modello, i risultati sono stati impressionanti. In media, le misure di prestazione in riscaldamento in inverno sono migliorate fino al 27 percento per l’intero sistema, mentre la prestazione in raffreddamento in estate è migliorata di circa il 21 percento. Allo stesso tempo, l’analisi ha indicato che l’uso di elettricità potrebbe diminuire di circa un quinto, portando a una stima di riduzione dei costi operativi del 19 percento rispetto all’attuale modalità di gestione dell’impianto. È importante sottolineare che questi guadagni non richiedevano nuovi impianti, ma solo diverse scelte di temperature dell’acqua e velocità delle pompe guidate dal metodo basato sui dati.

Cosa significa questo per gli edifici del futuro

Per un non specialista, la conclusione è che i sistemi geotermici sotterranei possono diventare sia più puliti sia più convenienti riutilizzando il loro stesso calore di scarto e gestendoli in modo più intelligente. Il progetto testato evita il surriscaldamento del terreno, riduce la dipendenza da dispositivi separati di riscaldamento e raffreddamento e dimostra che l’apprendimento automatico può aiutare gli operatori a trovare punti ottimali che la prova ed errore umana potrebbe non rilevare. Pur richiedendo ulteriori studi sui costi di ciclo di vita e prove su altri tipi di edifici, lo studio offre una via pratica per trasformare tubazioni interrate e modelli digitali in risparmi energetici reali.

Citazione: 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

Parole chiave: pompa di calore geotermica, recupero di calore, energia negli edifici, apprendimento automatico, ottimizzazione HVAC