Aprimoramento sustentável do desempenho de um sistema de bomba de calor geotérmica com recuperação de calor usando dados de campo e aprendizado de máquina

Por que aproveitar melhor o calor enterrado importa

À medida que as cidades buscam maneiras mais limpas de manter o conforto nos edifícios, sistemas que acessam a temperatura estável do subsolo têm ganhado atenção. Esses sistemas de bomba de calor geotérmica podem reduzir o consumo de energia em comparação com condicionadores de ar e caldeiras convencionais, mas em regiões de verões quentes enfrentam um problema oculto: com o tempo, despejam cada vez mais calor residual no solo, que se aquece gradualmente e reduz a eficiência. Este estudo explora um novo projeto que não só limita esse acúmulo de calor subterrâneo, como também transforma o calor residual do verão em água quente útil, orientado por dados do mundo real e por ferramentas modernas de aprendizado de máquina.

Uma maneira mais inteligente de resfriar edifícios e aquecer água

Os pesquisadores testaram uma bomba de calor geotérmica com recuperação de calor, ou HRGSHP, em um grande prédio industrial em uma cidade chinesa com verões quentes e invernos frios. Como em um sistema geotérmico comum, ela circula água por tubos verticais profundos no solo para absorver ou rejeitar calor. A diferença é que cada unidade da bomba de calor contém dois condensadores dispostos em paralelo. Com um conjunto de válvulas, o sistema pode enviar o calor indesejado para o solo ou capturá-lo para produzir água quente para usos como aquecimento de ambiente, reaquecimento para desumidificação, ou água quente sanitária. No verão, quando a demanda por resfriamento é alta e água quente também é útil, esse projeto permite que a mesma máquina refrigere os ambientes internos e entregue água a 50 °C ao mesmo tempo.

Como o sistema opera ao longo das estações

Ao longo de quase três anos de operação, o sistema alternou entre quatro modos básicos. Em modo de resfriamento puro, funcionou de maneira semelhante a um chiller geotérmico convencional, enviando calor ao circuito subterrâneo enquanto fornecia água gelada ao prédio. No modo combinado de resfriamento mais água quente, parte do calor ia para o solo e parte para um reservatório de água quente. Também houve um modo somente para água quente durante estações amenas e um modo de aquecimento no inverno, quando o circuito subterrâneo atuou como fonte de calor e o sistema entregou água quente para aquecimento de ambientes. Ao ajustar posições de válvulas, vazões de água e capacidade dos compressores, o sistema acompanhou as mudanças do clima externo e das demandas internas sem acrescentar caldeiras separadas ou torres de resfriamento.

O que anos de dados de campo revelaram

A equipe registrou continuamente temperaturas, vazões, consumo de energia, condições do solo e clima, acumulando mais de duzentos mil pontos de dados. Essas medições mostraram que, mesmo sob forte demanda de resfriamento, a temperatura média do solo a 150 m de profundidade subiu apenas cerca de 0,45 °C ao longo de três anos, bem menos do que os aumentos relatados para sistemas geotérmicos padrão em climas semelhantes. No entanto, a eficiência geral da instalação real foi inferior aos valores de laboratório, em parte porque bombas frequentemente impulsionavam mais água do que o necessário, criando pequenas diferenças de temperatura pelo sistema e desperdiçando eletricidade. Também surgiram tendências sazonais: o aquecimento gradual do solo prejudicou ligeiramente a eficiência do resfriamento, mas ajudou o aquecimento de inverno ao elevar a temperatura da fonte de calor subterrânea.

Permitindo que algoritmos ajustem as manoplas

Para extrair mais desempenho do hardware existente, os autores construíram uma estrutura de otimização baseada em dados. Usaram um tipo de rede neural para aprender como os indicadores de eficiência do sistema respondem a condições como temperatura externa, temperaturas da água e vazões. Um algoritmo genético então buscou as melhores configurações internas, e um método de decisão conhecido como TOPSIS equilibrou múltiplos objetivos ao mesmo tempo, incluindo medidas separadas para a própria bomba de calor e para toda a planta. Este ambiente de testes virtual permitiu explorar muitas combinações de operação que seriam impraticáveis de testar manualmente, respeitando limites realistas de temperaturas e vazões.

Economia de energia e seu significado na prática

Quando aplicaram as configurações otimizadas no modelo, os resultados foram marcantes. Em média, as medidas de desempenho de aquecimento no inverno melhoraram em até 27% para o sistema como um todo, enquanto o desempenho de resfriamento no verão melhorou cerca de 21%. Ao mesmo tempo, a análise indicou que o uso de eletricidade poderia cair aproximadamente um quinto, levando a uma redução estimada de 19% nos custos operacionais em comparação com a forma atual de operar a planta. Importante: esses ganhos não exigiram novos equipamentos, apenas escolhas diferentes de temperaturas da água e velocidades das bombas guiadas pelo método orientado por dados.

O que isso significa para edifícios futuros

Para um público não especialista, a conclusão é que sistemas de bomba de calor subterrâneos podem se tornar tanto mais limpos quanto mais econômicos ao reutilizar seu próprio calor residual e ao operá-los de forma mais inteligente. O projeto testado evita o superaquecimento do solo, reduz a dependência de dispositivos separados de aquecimento e resfriamento e mostra que o aprendizado de máquina pode ajudar operadores a encontrar pontos ótimos que o método de tentativa e erro humano poderia não descobrir. Embora sejam necessários mais estudos para incluir custos detalhados do ciclo de vida e testar outros tipos de edifícios, o estudo oferece um caminho prático para transformar tubos enterrados e modelos digitais em economias reais de energia.

Citação: 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

Palavras-chave: bomba de calor geotérmica, recuperação de calor, energia predial, aprendizado de máquina, otimização de HVAC