Модель геотермальной системы с поддержкой ИИ для масштабной оценки неопределённостей энергопотребления зданий

Почему важно более разумное отопление и охлаждение

Города потребляют большую часть мировой энергии, и значительная её доля уходит на отопление и охлаждение жилья. По мере того как экстремальные погодные явления и перебои с электричеством становятся более частыми, планировщикам нужны более надёжные способы предсказать, сколько энергии будут потреблять здания, и как новые технологии, такие как геотермальные тепловые насосы, могут сократить и счета, и выбросы. В этом исследовании представлен быстрый, готовый к интеграции с ИИ инструмент моделирования, который может оценивать энергопотребление геотермальных систем в домах и районах, помогая сообществам выбирать обновления с наибольшей экологической и экономической отдачей.

Простая модель для сложного здания

Вместо того чтобы опираться на традиционные, очень подробные симуляторы, работающие долго, авторы используют упрощённую модель «тепловой цепи». В этом подходе дом рассматривается как электрическая цепь для тепла: стены, окна и внутренний воздух представлены небольшим набором сопротивлений и элементов теплового запаса. Данные о погоде, строительные материалы и внутренние тепловыделения от людей и оборудования подаются в эту модель, которая затем рассчитывает, сколько отопления или охлаждения потребуется геотермальному тепловому насосу со временем. Модель реализована на языке программирования Julia и упакована в новое программное обеспечение под названием Building Energy Replica Tool (BERT), разработанное с нуля для высокой скорости, масштабируемости и лёгкой интеграции с алгоритмами машинного обучения.

Сравнение с надёжным стандартом

Чтобы проверить надёжность лёгкой модели, команда сравнивает результаты BERT с результатами EnergyPlus, отраслевого стандарта симуляции зданий. Они используют дом площадью 650 квадратных футов на кампусе Государственного университета Нью-Мексико, тщательно воспроизводя его размеры, материалы и местную погоду. Для жаркого летнего дня и холодного зимнего дня время пиковых потребностей в отоплении и охлаждении в обоих инструментах совпадает довольно точно, хотя сами пиковые значения различаются примерно на 20–30 процентов. BERT склонен сглаживать резкие всплески из‑за способа представления накопленного тепла, но в целом он корректно улавливает моменты, когда зданию нужна энергия, и как нагрузки меняются в течение дня. Что важно, BERT работает в несколько раз быстрее, чем EnergyPlus, и во много раз быстрее некоторых других инженерных инструментов, что делает возможным проведение большого числа прогонов.

Выявление ключевых факторов энергопотребления

Скорость важна, потому что авторы хотят не просто одноразовое предсказание — они стремятся понять неопределённости и то, какие проектные решения имеют наибольшее значение. Они варьируют ключевые входные параметры с помощью продвинутых методов дискретизации и затем применяют глобальный анализ чувствительности, чтобы увидеть, какие параметры сильнее всего влияют на энергопотребление. Вне зависимости от применённой методики выходит одна и та же картина: для зданий с геотермальными системами неопределённость в потреблении энергии в основном определяется конструкцией грунтового контура и самим тепловым насосом. Такие факторы, как скорость теплообмена между почвой и трубами, длина зарытых труб и КПД теплового насоса, оказываются важнее изменений изоляции стен или свойств бетона в реалистичных пределах. Дополнительный статистический анализ показывает, как разные комбинации параметров могут приводить к почти одинаковой суточной кривой мощности, подчёркивая, где у проектировщиков есть свобода действий, а где её нет.

Деньги и наука о данных в деле

Поскольку модель работает очень быстро, команда расширяет анализ до экономических аспектов и методов искусственного интеллекта. На основе годичных симуляций они сравнивают геотермальную систему с обычной газовой печью и стандартным кондиционером при разных сценариях утепления стен и с учётом местных тарифов и стимулов для Лас-Крусес, Нью‑Мексико. Геотермальные варианты последовательно сокращают годовое энергопотребление на отопление и охлаждение примерно вдвое и часто окупают дополнительные первоначальные затраты в течение нескольких до примерно пятнадцати лет с учётом скидок и налоговых льгот — что вполне вписывается в ожидаемый срок службы оборудования. В части ИИ они обучают модель Extreme Gradient Boosting (XGBoost) на тысячах симуляций BERT. С умеренно небольшим обучающим набором алгоритм быстро научился воспроизводить предсказания BERT с почти идеальной точностью за секунды, демонстрируя, что модель, основанная на физике, может быть сведена в ультра‑быстрый суррогат, пригодный для управления в реальном времени и планирования в масштабе города.

Что это значит для городов будущего

Для неспециалистов главный вывод таков: тщательно продуманная упрощённая модель может быть достаточно точной, чтобы руководить реальными решениями, и при этом достаточно быстрой, чтобы исследовать тысячи сценариев «что если». Исследование показывает, что в геотермальных домах правильная конструкция подземной системы и теплового насоса важнее, чем доводка каждой мелочи в стенах, и что такие системы могут быть одновременно экологичными и экономически эффективными в течение срока службы. Сочетая подобные физически обоснованные модели с машинным обучением, авторы закладывают основу для платформы UrbanAI, которая могла бы помочь планировщикам тестировать политики, коммунальным службам прогнозировать спрос, а домовладельцам и застройщикам видеть долгосрочные выгоды от более чистых систем отопления и охлаждения до начала строительных работ.

Цитирование: 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

Ключевые слова: геотермальные тепловые насосы, моделирование энергопотребления зданий, планирование городской энергетики, машинное обучение, возобновляемое отопление и охлаждение