Een nieuw intelligent raamwerk voor het benutten van ondergrondse thermische energie door optimalisatie van thermofysische eigenschappen van grout en aanvulmateriaal

Warmte opslaan in de bodem

Nu steeds meer woningen en steden overschakelen op hernieuwbare energie, is een grote uitdaging hoe warmte van het ene seizoen te bewaren voor gebruik in een ander seizoen. Deze studie bekijkt een manier om de grond onder onze voeten te behandelen als een gigantische oplaadbare warmtebatterij. Door zorgvuldig te kiezen hoe we ondergrondse leidingen vullen en omringen, en door slimme computertools te gebruiken, tonen de auteurs aan hoe men meer bruikbare warmte uit de bodem kan terugwinnen terwijl energie efficiënter wordt ingezet.

Hoe ondergrondse warmteopslag werkt

Ondergrondse thermische energieopslag maakt gebruik van diepe gaten in de grond, boorgaten genoemd, met U-vormige leidingen erin. In de zomer of wanneer afvalwarmte beschikbaar is, wordt warm fluid door deze leidingen gepompt om het omringende gesteente mee op te warmen. In de winter wordt koeler fluid naar beneden gestuurd om die warmte weer op te nemen en aan gebouwen te leveren. Het gesteente fungeert als een enorme thermische spons, terwijl het materiaal dat de ruimte tussen de leidingen en het gesteente vult, bekend als grout of aanvulmateriaal, bepaalt hoe gemakkelijk warmte in en uit deze spons kan bewegen.

Waarom het aanvulmateriaal ertoe doet

Het succes van dergelijke systemen hangt sterk af van basisfysische eigenschappen van zowel het gesteente als de grout, zoals hoe goed ze warmte geleiden, hoeveel warmte ze kunnen opslaan en hoe dicht ze zijn. Als materialen warmte goed geleiden, kan het systeem snel laden en ontladen, maar kan warmte ook weglekken naar de omliggende bodem. Als ze veel warmte kunnen opslaan, kan meer energie ondergronds worden bewaard, maar het kan lastiger zijn die warmte weer terug te winnen. De auteurs tonen aan dat de thermische geleiding van de grout bijzonder belangrijk is voor het terugwinnen van warmte tijdens de herstelperiode, terwijl de eigenschappen van het gesteente bepalen hoeveel er in eerste instantie kan worden opgeslagen.

Computers trainen als vervangers van complexe modellen

Een volledige simulatie van warmteverplaatsing in en rond een boorgat is traag en veeleisend voor computers, vooral als veel ontwerpmogelijkheden moeten worden getest. Om dit te omzeilen trainden de auteurs artificiële neurale netwerken om een gedetailleerd numeriek model van een enkel boorgat in gesteente na te bootsen. Deze netwerken leren van een set voorbeeldsimulaties en geven vervolgens zeer snelle voorspellingen van twee belangrijke uitkomsten: hoeveel warmte aan de grond wordt geleverd en hoeveel later wordt teruggewonnen. Door de netwerken zorgvuldig af te stemmen met zoekmethoden geïnspireerd op genetica en jachtgedrag, behaalde het team zeer nauwkeurige voorspellingen, met bijna perfecte overeenstemming tussen het netwerk en het oorspronkelijke model.

Op zoek naar de beste ontwerpafwegingen

Met deze snelle voorspellers verkent de studie vervolgens duizenden mogelijke combinaties van gesteente- en grouteigenschappen. Een multi-objectieve zoekalgoritme, gemodelleerd naar het gedrag van gieren die voedsel delen en najagen, wordt gebruikt om een reeks best mogelijke compromissen te vinden. Elk punt op deze Pareto-front vertegenwoordigt een ontwerp waarbij het verbeteren van het ene doel, zoals meer teruggewonnen warmte, automatisch het andere doel zou verslechteren, zoals de energie die nodig is om de grond te laden. De resulterende reeks bestrijkt toegevoerde energieën van ongeveer 1,27 tot 2,29 gigajoule en teruggewonnen energieën van ongeveer 0,43 tot 0,74 gigajoule, en toont duidelijke zones waar extra laden slechts kleine winst in teruggewonnen warmte oplevert.

Het kiezen van opties voor de praktijk

Ingenieurs hebben nog steeds duidelijke keuzes nodig, niet alleen een wolk van opties, dus gebruiken de auteurs een beslissingsmethode die de Pareto-ontwerpen rangschikt op basis van verschillende prioriteiten. Door het relatieve belang van lage invoerenergie versus hoge teruggewonnen energie te variëren, halen zij zeven praktische scenario’s naar voren. Sommige geven de voorkeur aan zeer lage energie-invoer en bescheiden terugwinning, geschikt voor kleine of energiebeperkte sites, terwijl andere een hogere terugwinning bevorderen voor stadsverwarming of grote gebouwen, waarbij men hogere laadenergie en geavanceerdere grout accepteert. Deze stap laat zien hoe hetzelfde ondergrondse opslagconcept kan worden afgestemd op veel verschillende real-world omstandigheden.

Wat dit betekent voor toekomstige energiesystemen

In eenvoudige bewoordingen laat het artikel zien dat ondergrondse warmtebatterijen effectiever kunnen worden gemaakt door op intelligente wijze de eigenschappen van het gesteente-achtige milieu en het vulmateriaal rond de leidingen te selecteren, geleid door geavanceerde data-gedreven hulpmiddelen. In plaats van proefondervindelijkheid of vuistregels, stelt het voorgestelde raamwerk planners in staat snel te zien hoe veranderingen in deze materialen zowel de energie die in opslag wordt gestopt als de warmte die realistisch teruggewonnen kan worden beïnvloeden. Dit kan helpen om grondgebonden verwarmings- en koelsystemen efficiënter, flexibeler en beter afgestemd op de behoeften van toekomstige koolstofarme energienetwerken te maken.

Bronvermelding: Zandy Ilghani, N., Maleki, H. A novel intelligent framework for harnessing underground thermal energy through the optimization of grout and backfill thermophysical properties. Sci Rep 16, 15931 (2026). https://doi.org/10.1038/s41598-026-46104-w

Trefwoorden: ondergrondse thermische energieopslag, boring-warmtewisselaar, geothermische verwarming, machine learning optimalisatie, thermische eigenschappen van grout