Modelo geotérmico aumentado por IA para incertezas escaláveis de energia em edifícios

Por que aquecimento e resfriamento mais inteligentes importam

As cidades consomem a maior parte da energia do mundo, e uma fatia grande desse consumo destina‑se ao aquecimento e resfriamento de residências. À medida que eventos climáticos extremos e faltas de energia se tornam mais comuns, planejadores precisam de melhores formas de prever quanto energia os edifícios vão usar e como tecnologias novas, como bombas de calor geotérmicas, podem reduzir tanto as contas quanto as emissões. Este estudo apresenta uma ferramenta de modelagem rápida e pronta para IA que pode estimar o consumo energético de sistemas geotérmicos em casas e bairros, ajudando comunidades a decidir quais melhorias trazem o maior retorno ambiental e financeiro.

Um modelo simples para um prédio complexo

Em vez de depender de motores de simulação tradicionais e muito detalhados, que podem levar muito tempo para rodar, os autores partem de um modelo simplificado de “circuito térmico”. Nessa abordagem, uma casa é tratada como um circuito elétrico para calor: paredes, janelas e ar interno são representados por um pequeno conjunto de resistências e elementos de armazenamento térmico. Dados meteorológicos, materiais de construção e ganhos internos vindos de pessoas e equipamentos alimentam esse modelo, que então calcula quanta energia de aquecimento ou resfriamento uma bomba de calor geotérmica precisaria ao longo do tempo. O modelo é implementado na linguagem de programação Julia e empacotado em um novo software chamado Building Energy Replica Tool (BERT), projetado desde o início para ser rápido, escalável e fácil de conectar com algoritmos de aprendizado de máquina.

Verificando com um padrão confiável

Para avaliar se esse modelo leve é confiável, a equipe compara os resultados do BERT com os do EnergyPlus, um simulador de edifícios padrão da indústria. Eles usam uma casa de 60 metros quadrados no campus da New Mexico State University, reproduzindo cuidadosamente seu tamanho, materiais e clima local. Tanto para um dia de verão quente quanto para um dia de inverno frio, o momento das demandas máximas de aquecimento e resfriamento se alinha de forma próxima entre as duas ferramentas, embora os valores de pico exatos difiram cerca de 20–30 por cento. O BERT tende a suavizar picos agudos por causa de como representa calor armazenado, mas no geral acompanha quando o edifício precisa de energia e como as cargas variam ao longo do dia. Crucialmente, o BERT roda várias vezes mais rápido que o EnergyPlus, e muitas dezenas de vezes mais rápido que algumas outras ferramentas de engenharia, tornando viável executar grande número de simulações.

Descobrindo o que realmente dirige o consumo de energia

A velocidade é importante porque os autores não querem apenas uma única previsão — eles querem entender a incerteza e quais escolhas de projeto importam mais. Eles variam entradas-chave usando métodos avançados de amostragem e depois aplicam análises globais de sensibilidade para ver quais parâmetros têm maior impacto no consumo de energia. Em várias técnicas, emerge a mesma mensagem: para edifícios com sistemas geotérmicos, o projeto do loop subterrâneo e da própria bomba de calor domina a incerteza na demanda energética. Fatores como a taxa de transferência de calor entre solo e tubos, o comprimento das tubulações enterradas e a eficiência da bomba de calor superam mudanças no isolamento das paredes ou nas propriedades do concreto dentro de faixas realistas. Análises estatísticas adicionais mostram como diferentes combinações de parâmetros podem produzir praticamente a mesma curva diária de potência, destacando onde os projetistas têm flexibilidade e onde não têm.

Aplicando dinheiro e ciência de dados

Como o modelo é muito rápido, a equipe consegue estender sua análise para economia e inteligência artificial. Usando simulações de ano completo, eles comparam um sistema de bomba de calor geotérmica com um aquecedor a gás convencional e um ar‑condicionado padrão, sob diferentes cenários de isolamento das paredes e preços e incentivos locais de serviços públicos para Las Cruces, Novo México. As opções geotérmicas reduzem consistentemente a energia anual de aquecimento e resfriamento em cerca de metade e frequentemente recuperam seu custo adicional inicial em alguns até cerca de quinze anos quando são incluídos subsídios e créditos fiscais — bem dentro da vida útil esperada do equipamento. No lado da IA, eles treinam um modelo de aprendizado de máquina Extreme Gradient Boosting (XGBoost) com milhares de simulações do BERT. Com apenas um conjunto de treinamento modesto, o algoritmo aprende a reproduzir as previsões energéticas do BERT com precisão quase perfeita em segundos, demonstrando que um modelo baseado em física pode ser destilado em um substituto ultrarrápido adequado para controle em tempo real e planejamento em escala urbana.

O que isso significa para as cidades futuras

Para não especialistas, a principal conclusão é que um modelo cuidadosamente projetado e simplificado pode ser suficientemente preciso para orientar decisões reais, ao mesmo tempo que é rápido o bastante para explorar milhares de cenários “e se”. O estudo mostra que, em casas geotérmicas, acertar o sistema subterrâneo e a bomba de calor importa mais do que ajustar minuciosamente cada detalhe da parede, e que esses sistemas podem ser mais limpos e econômicos ao longo de sua vida útil. Ao combinar tais modelos com consciência física com aprendizado de máquina, os autores estabelecem a base para uma plataforma UrbanAI que poderia ajudar planejadores a testar políticas, concessionárias a prever demanda, e proprietários ou desenvolvedores a ver os benefícios de longo prazo de aquecimento e resfriamento mais limpos antes de iniciar obras.

Citação: 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

Palavras-chave: bombas de calor geotérmicas, modelagem de energia predial, planejamento energético urbano, aprendizado de máquina, aquecimento e resfriamento renováveis