Model geotermalny wspomagany przez AI dla skalowalnych niepewności energetycznych w budynkach

Dlaczego mądrzejsze ogrzewanie i chłodzenie ma znaczenie

Miasta zużywają większość energii na świecie, a znaczną część tego stanowi ogrzewanie i chłodzenie domów. W miarę jak ekstremalne zjawiska pogodowe i braki energii stają się częstsze, urbaniści potrzebują lepszych sposobów przewidywania zużycia energii przez budynki oraz oceny, jak nowe technologie, takie jak pompy ciepła geotermalne, mogą obniżyć rachunki i emisje. W badaniu przedstawiono szybkie, gotowe do integracji z AI narzędzie modelujące, które potrafi oszacować zużycie energii przez systemy geotermalne w domach i na osiedlach, pomagając społecznościom decydować, które modernizacje przyniosą największy efekt środowiskowy i finansowy.

Prosty model dla złożonego budynku

Zamiast polegać na tradycyjnych, bardzo szczegółowych symulatorach, które mogą długo działać, autorzy oparli się na uproszczonym modelu „obwodu cieplnego”. W tym podejściu dom traktowany jest jak obwód elektryczny dla ciepła: ściany, okna i powietrze wewnętrzne są reprezentowane jako niewielki zestaw oporów i elementów magazynujących ciepło. Dane pogodowe, materiały budowlane i wewnętrzne zyski ciepła od ludzi i urządzeń zasilają ten model, który następnie oblicza, ile ogrzewania lub chłodzenia wymagałaby pompa ciepła geotermalna w czasie. Model zaimplementowano w języku Julia i zapakowano w nowe oprogramowanie o nazwie Building Energy Replica Tool (BERT), zaprojektowane od podstaw, by być szybkie, skalowalne i łatwe do połączenia z algorytmami uczenia maszynowego.

Weryfikacja względem zaufanego standardu

Aby sprawdzić, czy ten lekki model jest wiarygodny, zespół porównał wyniki BERT z wynikami EnergyPlus, branżowego symulatora budynków. Użyli domu o powierzchni 650 stóp kwadratowych na kampusie New Mexico State University, starannie odtwarzając jego wielkość, materiały i lokalne warunki pogodowe. Dla gorącego letniego dnia i zimnego zimowego dnia momenty szczytowego zapotrzebowania na ogrzewanie i chłodzenie pokrywały się ściśle między obiema narzędziami, chociaż dokładne wartości szczytowe różniły się o około 20–30 procent. BERT ma tendencję do wygładzania ostrych skoków ze względu na sposób reprezentacji magazynowanego ciepła, ale ogólnie dobrze odwzorowuje, kiedy budynek potrzebuje energii i jak zmieniają się obciążenia w ciągu dnia. Co kluczowe, BERT działa kilkukrotnie szybciej niż EnergyPlus, a wielkadziesiąt razy szybciej niż niektóre inne narzędzia inżynierskie, co czyni wykonalnym uruchamianie dużej liczby symulacji.

Odkrywanie, co naprawdę napędza zużycie energii

Szybkość ma znaczenie, ponieważ autorzy nie chcą jedynie jednej prognozy — chcą zrozumieć niepewność i które decyzje projektowe mają największe znaczenie. Zmieniali kluczowe wejścia za pomocą zaawansowanych metod próbkowania, a następnie stosowali globalne analizy wrażliwości, aby zobaczyć, które parametry mają największy wpływ na zużycie energii. We wszystkich zastosowanych technikach wyłania się ta sama konkluzja: dla budynków z systemami geotermalnymi projekt pętli gruntowej i sama pompa ciepła dominują w niepewności dotyczącej zapotrzebowania na energię. Czynniki takie jak współczynnik wymiany ciepła między glebą a rurami, długość zakopanych przewodów i sprawność pompy ciepła mają większe znaczenie niż zmiany w izolacji ścian czy właściwościach betonu w realistycznych zakresach. Dalsze analizy statystyczne pokazują, jak różne kombinacje parametrów mogą dawać niemal identyczne dzienne krzywe mocy, podkreślając obszary, gdzie projektanci mają elastyczność, i gdzie jej nie mają.

Wykorzystanie ekonomii i data science

Dzięki dużej prędkości modelu zespół może rozszerzyć analizę o aspekty ekonomiczne i sztuczną inteligencję. Na podstawie symulacji całorocznych porównali system z pompą ciepła geotermalną z konwencjonalnym piecem gazowym i standardową klimatyzacją, przy różnych scenariuszach izolacji ścian oraz lokalnych cenach energii i zachętach w Las Cruces w Nowym Meksyku. Opcje geotermalne konsekwentnie zmniejszały roczne zużycie energii na ogrzewanie i chłodzenie o około połowę i często zwracały dodatkowy koszt początkowy w ciągu kilku do około piętnastu lat po uwzględnieniu rabatów i ulg podatkowych — czyli w czasie życia urządzeń. W obszarze AI wytrenowali model uczenia maszynowego Extreme Gradient Boosting (XGBoost) na tysiącach symulacji BERT. Przy umiarkowanym zbiorze treningowym algorytm nauczył się odtwarzać prognozy energetyczne BERT z niemal doskonałą dokładnością w ciągu sekund, pokazując, że model oparty na fizyce można skondensować do ultraszybkiego surrogatu nadającego się do sterowania w czasie rzeczywistym i planowania na skalę miejską.

Co to oznacza dla przyszłych miast

Dla osób niebędących specjalistami najważniejsze przesłanie jest takie, że starannie zaprojektowany, uproszczony model może być wystarczająco dokładny, by prowadzić rzeczywiste decyzje, a jednocześnie na tyle szybki, by badać tysiące scenariuszy „co‑jeśli”. Badanie pokazuje, że w domach geotermalnych prawidłowe zaprojektowanie systemu podziemnego i pompy ciepła ma większe znaczenie niż dopracowywanie każdych detali ścian, oraz że te systemy mogą być zarówno bardziej ekologiczne, jak i opłacalne w okresie eksploatacji. Łącząc takie modele świadome fizyki z uczeniem maszynowym, autorzy kładą fundamenty pod platformę UrbanAI, która mogłaby pomóc planistom testować polityki, operatorom sieci prognozować zapotrzebowanie, a właścicielom domów lub deweloperom oceniać długoterminowe korzyści czystszego ogrzewania i chłodzenia zanim rozpoczną budowę.

Cytowanie: 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

Słowa kluczowe: pompy ciepła geotermalne, modelowanie energetyczne budynków, planowanie energetyczne miast, uczenie maszynowe, odnawialne ogrzewanie i chłodzenie