Duurzame prestatieverbetering van een warmteterugwinning-aardwarmtepompsysteem met behulp van veldgegevens en machine learning

Waarom beter gebruik van opgeslagen warmte ertoe doet

Naarmate steden zoeken naar schonere manieren om gebouwen comfortabel te houden, krijgen systemen die gebruikmaken van de constante temperatuur in de ondergrond meer aandacht. Deze aardwarmtepompsystemen kunnen het energiegebruik verminderen vergeleken met standaard airconditioners en ketels, maar in regio’s met hete zomers hebben ze een verborgen probleem: na verloop van tijd lozen ze meer en meer restwarmte in de bodem, die daardoor langzaam opwarmt en de efficiëntie vermindert. Deze studie onderzoekt een nieuw ontwerp dat niet alleen die ondergrondse warmteopbouw beperkt, maar ook zomerse restwarmte omzet in bruikbaar warm water, gestuurd door veldgegevens en moderne machine-learningtools.

Een slimmer manier om gebouwen te koelen en water te verwarmen

De onderzoekers testten een warmteterugwinning-aardwarmtepomp (HRGSHP) in een grote industriële hal in een Chinese stad met hete zomers en koude winters. Net als bij een gewoon aardwarmtesysteem circuleert het water door diepe verticale leidingen in de grond om warmte op te nemen of af te geven. De twist is dat elke warmtepompeenheid twee condensors in parallel bevat. Met een set kleppen kan het systeem ongewenste warmte óf in de grond lozen óf afvangen om warm water te produceren voor toepassingen zoals ruimteverwarming, naverwarming bij ontvochtiging of tapwater. In de zomer, wanneer de koelvraag hoog is en warm water ook nuttig, maakt dit ontwerp het mogelijk dat dezelfde machine binnenruimtes koelt en tegelijkertijd 50 °C water levert.

Hoe het systeem door de seizoenen heen werkt

Gedurende bijna drie jaar bedrijf schakelde het systeem tussen vier basismodi. In pure koelmodus functioneerde het veelal als een conventionele aardwarmtekoeler, waarbij warmte naar de ondergrondse lus werd afgevoerd terwijl gekoeld water aan het gebouw werd geleverd. In een gecombineerde koel- plus warmwatermodus ging een deel van de warmte naar de grond en een ander deel naar een warmwatertank. Er was ook een warmwater-enkelmodus tijdens milde perioden en een verwarmingsmodus in de winter, wanneer de ondergrondse lus als warmtebron fungeerde en het systeem warm water leverde voor ruimteverwarming. Door kleppen, waterstromen en compressorcapaciteit aan te passen, paste het systeem zich aan veranderend buitenweer en binnenvraag aan zonder aparte ketels of koeltorens toe te voegen.

Wat jaren veldgegevens onthulden

Het team registreerde continu temperaturen, debieten, energieverbruik, bodemcondities en weer, en verzamelde meer dan tweehonderdduizend datapunten. Deze metingen toonden aan dat, zelfs bij zwaar koelen, de gemiddelde bodemtemperatuur op 150 m diepte over drie jaar slechts met ongeveer 0,45 °C steeg, veel minder dan de toename die voor standaard aardwarmtesystemen in vergelijkbare klimaten is gerapporteerd. Toch was de algehele efficiëntie van de echte installatie lager dan de in het laboratorium opgegeven waarden, deels omdat pompen vaak meer water pompten dan nodig was, wat kleine temperatuurverschillen in het systeem veroorzaakte en elektriciteit verspilde. Er kwamen ook seizoensgebonden trends naar voren: geleidelijke opwarming van de grond schaadde de koel-efficiëntie licht, maar hielp de winterverwarming door de temperatuur van de ondergrondse warmtebron te verhogen.

Algoritmen de knoppen laten afstellen

Om meer prestaties uit de bestaande hardware te halen, bouwden de auteurs een data-gedreven optimaliseringskader. Ze gebruikten een type neuraal netwerk om te leren hoe de efficiëntie-indicatoren van het systeem reageren op condities zoals buitentemperatuur, watertemperaturen en debieten. Een genetisch algoritme zocht vervolgens naar de beste interne instellingen, en een beslismethode bekend als TOPSIS maakte een afweging tussen meerdere doelen tegelijk, inclusief afzonderlijke maatstaven voor de warmtepomp zelf en voor de gehele installatie. Deze virtuele testomgeving stelde hen in staat veel bedrijfscombinaties te verkennen die handmatig onpraktisch zouden zijn, terwijl nog steeds realistische grenzen aan temperaturen en stromingen werden gerespecteerd.

Energiebesparing en wat dat in de praktijk betekent

Toen ze de geoptimaliseerde instellingen in hun model toepasten, waren de resultaten opvallend. Gemiddeld verbeterden de maatstaven voor verwarmingsprestaties in de winter met maximaal 27 procent voor het hele systeem, terwijl de koelprestaties in de zomer met ongeveer 21 procent verbeterden. Tegelijkertijd toonde de analyse aan dat het elektriciteitsgebruik ruwweg met een vijfde kon dalen, wat naar schatting leidde tot een vermindering van de bedrijfskosten van 19 procent vergeleken met de huidige werkwijze van de installatie. Belangrijk is dat deze verbeteringen geen nieuwe apparatuur vereisten, alleen andere keuzes van watertemperaturen en pompsnelheden, gestuurd door de data-gedreven methode.

Wat dit betekent voor toekomstige gebouwen

Voor niet-specialisten is de kernboodschap dat ondergrondse warmtepompsystemen zowel schoner als kosteneffectiever kunnen worden gemaakt door hun eigen restwarmte te hergebruiken en door ze slimmer te laten werken. Het geteste ontwerp voorkomt oververhitting van de grond, vermindert de afhankelijkheid van aparte verwarming- en koelapparaten, en toont aan dat machine learning kan helpen exploitanten sweet spots te vinden die proefondervindelijke fouten door mensen zouden missen. Hoewel er meer werk nodig is om gedetailleerde levenscykluskosten en andere gebouwtypes te onderzoeken, biedt de studie een praktische weg om ondergrondse leidingen en digitale modellen om te zetten in reële energiebesparingen.

Bronvermelding: 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

Trefwoorden: aardwarmtepomp, warmteterugwinning, gebouwenergie, machine learning, HVAC-optimalisatie