AI-ondersteund geothermisch model voor schaalbare energie‑onzekerheden in gebouwen

Waarom slimmer verwarmen en koelen ertoe doet

Steden verbruiken het grootste deel van de wereldwijde energie, en een groot aandeel daarvan gaat naar het verwarmen en koelen van woningen. Nu extreem weer en stroomtekorten vaker voorkomen, hebben planners betere methoden nodig om te voorspellen hoeveel energie gebouwen zullen verbruiken en hoe nieuwe technologieën zoals aardwarmtepompen zowel rekeningen als emissies kunnen verlagen. Deze studie introduceert een snel, AI‑klaar modelleerhulpmiddel dat het energieverbruik van geothermische systemen in woningen en buurten kan schatten, en dat gemeenschappen helpt te bepalen welke upgrades de grootste milieu‑ en financiële opbrengst opleveren.

Een eenvoudig model voor een complex gebouw

In plaats van te vertrouwen op traditionele, zeer gedetailleerde simulatormotoren die lang kunnen duren, bouwen de auteurs voort op een gestroomlijnd "thermisch circuit"‑model. Bij deze aanpak wordt een huis behandeld als een elektrisch circuit voor warmte: muren, ramen en binnenlucht worden weergegeven als een klein aantal weerstanden en warmteopslagcomponenten. Weerdata, bouwmaterialen en interne warmtewinst door mensen en apparatuur voeren dit model, dat vervolgens berekent hoeveel verwarming of koeling een aardwarmtepomp in de loop van de tijd zou nodig hebben. Het model is geïmplementeerd in de programmeertaal Julia en verpakt in nieuwe software genaamd Building Energy Replica Tool (BERT), ontworpen om vanaf de basis snel, schaalbaar en gemakkelijk te koppelen met machine‑learningalgoritmen te zijn.

Controleren aan de hand van een vertrouwde standaard

Om te beoordelen of dit lichte model betrouwbaar is, vergelijkt het team de resultaten van BERT met die van EnergyPlus, een industrienorm voor gebouwsimulatie. Ze gebruiken een woning van 60 vierkante meter op de campus van New Mexico State University, waarbij grootte, materialen en plaatselijk weer zorgvuldig worden gereproduceerd. Voor zowel een hete zomerdag als een koude winterdag komen de timing van piekverwarmings‑ en koelvraag goed overeen tussen de twee tools, hoewel de exacte piekwaarden ongeveer 20–30 procent verschillen. BERT neigt ernaar scherpe pieken af te vlakken vanwege de manier waarop het opgeslagen warmte vertegenwoordigt, maar in grote lijnen volgt het wanneer het gebouw energie nodig heeft en hoe de lasten door de dag heen veranderen. Cruciaal is dat BERT meerdere keren sneller draait dan EnergyPlus, en vele tientallen malen sneller dan sommige andere werktuigen in de techniek, waardoor grote aantallen runs haalbaar worden.

Vinden wat echt het energieverbruik stuurt

Snelheid is belangrijk omdat de auteurs niet slechts één voorspelling willen—ze willen onzekerheid begrijpen en welke ontwerpskeuzes het meest van belang zijn. Ze variëren sleutelinvoeren met behulp van geavanceerde bemonsteringsmethoden en passen vervolgens globale gevoeligheidsanalyses toe om te zien welke parameters de grootste impact op het energieverbruik hebben. Over meerdere technieken heen komt dezelfde boodschap naar voren: voor gebouwen met geothermische systemen domineren het ontwerp van de grondlus en de warmtepomp zelf de onzekerheid in energievraag. Factoren zoals de warmteoverdrachtsnelheid tussen bodem en leidingen, de lengte van begraven leidingen en de efficiëntie van de warmtepomp wegen zwaarder dan veranderingen in muurisolatie of betonkenmerken binnen realistische bereiken. Verdere statistische analyse laat zien hoe verschillende combinaties van parameters vrijwel dezelfde dagelijkse vermogenscurve kunnen opleveren, en benadrukt waar ontwerpers speelruimte hebben en waar niet.

Geld en datawetenschap inzetten

Doordat het model zo snel is, kan het team hun analyse uitbreiden naar economie en kunstmatige intelligentie. Met volledigejaarsimulaties vergelijken ze een aardwarmtepompsysteem met een conventionele gaskachel en een standaard airconditioner, onder verschillende muurisolatiescenario’s en lokale energietarieven en stimulansen voor Las Cruces, New Mexico. Geothermische opties halveren consequent ruwweg het jaarlijkse verwarmings‑ en koelenergieverbruik en verdienen vaak hun extra initiële kosten terug binnen enkele tot ongeveer vijftien jaar zodra kortingen en belastingkredieten worden meegerekend—ruim binnen de verwachte levensduur van de apparatuur. Aan de AI‑kant trainen ze een Extreme Gradient Boosting (XGBoost) machine‑learningmodel op duizenden BERT‑simulaties. Met slechts een bescheiden trainingsset leert het algoritme BERT’s energievoorspellingen in seconden bijna perfect te reproduceren, wat aantoont dat een op fysica gebaseerd model kan worden gedistilleerd tot een ultrasnelle surrogaat die geschikt is voor realtimebesturing en planning op stadsschaal.

Wat dit betekent voor toekomstige steden

Voor niet‑specialisten is de belangrijkste conclusie dat een zorgvuldig ontworpen, vereenvoudigd model nauwkeurig genoeg kan zijn om echte beslissingen te sturen, terwijl het snel genoeg is om duizenden "wat‑als"‑scenario’s te verkennen. De studie toont aan dat het bij geothermische woningen belangrijker is om het ondergrondse systeem en de warmtepomp goed te ontwerpen dan elk muurdetaal tot in de puntjes af te stemmen, en dat deze systemen zowel groener als kosteneffectief kunnen zijn gedurende hun levensduur. Door dergelijke fysica‑bewuste modellen met machine learning te combineren, leggen de auteurs de basis voor een UrbanAI‑platform dat planners kan helpen beleid te testen, netbeheerders vraag te laten voorspellen en huiseigenaren of ontwikkelaars de langetermijnvoordelen van schonere verwarming en koeling kan laten zien voordat met de bouw wordt begonnen.

Bronvermelding: 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

Trefwoorden: aardwarmtepompen, gebouwenergiemodellering, stedelijke energieplanning, machine learning, hernieuwbare verwarming en koeling