Новая интеллектуальная система для использования подземной тепловой энергии через оптимизацию термофизических свойств цементного раствора и обратной засыпки

Хранение тепла в грунте

По мере того как всё больше домов и городов переходит на возобновляемые источники, одна из ключевых задач — как аккумулировать тепло одного сезона для использования в другом. В этом исследовании рассматривается подход, который превращает грунт под ногами в гигантскую перезаряжаемую тепловую батарею. Тщательно подбирая, чем заполняют и окружают подземные трубы, и используя интеллектуальные компьютерные инструменты, авторы показывают, как извлекать из земли больше полезного тепла при более рациональном расходовании энергии.

Как работает подземное аккумулирование тепла

Подземное аккумулирование тепловой энергии использует глубокие скважины с U-образными трубами внутри. Летом или при наличии отходящего тепла тёплая жидкость прокачивается по этим трубам, заряжая окружающую породу теплом. Зимой прохладная жидкость опускается, чтобы снова забрать это тепло и доставить его в здания. Порода действует как огромная тепловая губка, а материал, заполняющий зазор между трубами и породой — известный как раствор или обратная засыпка — определяет, насколько легко тепло может входить в эту губку и выходить из неё.

Почему важно материал заполнения

Успех таких систем сильно зависит от фундаментальных физических свойств как породы, так и раствора: их теплопроводности, теплоёмкости и плотности. Если материалы хорошо проводят тепло, система может быстро заряжаться и разряжаться, но тепло также может уходить в окружающий грунт. Если материалы способны хранить много тепла, в подземном хранилище можно удержать больше энергии, но её может быть сложнее извлечь. Авторы показывают, что теплопроводность раствора особенно важна для фазы восстановления тепла, тогда как свойства породы контролируют объём энергии, который можно изначально накопить.

Обучение компьютеров заменять сложные модели

Полная численная симуляция теплопереноса в и вокруг скважины медленна и требует больших вычислительных ресурсов, особенно при проверке множества вариантов конструкций. Чтобы обойти это ограничение, авторы обучили искусственные нейронные сети имитировать подробную численную модель одной скважины в породе. Эти сети учатся на наборе образцовых симуляций и затем даёт очень быстрые предсказания по двум ключевым показателям: сколько тепла подаётся в грунт и сколько позже извлекается. Тщательная настройка сетей с помощью методов поиска, вдохновлённых генетикой и поведением хищников, позволила достичь высокой точности — практически полного согласия между сетью и исходной моделью.

Поиск лучших компромиссов в дизайне

Имея эти быстрые предикторы, исследование затем рассматривает тысячи возможных сочетаний свойств породы и раствора. Многокритериальный алгоритм поиска, смоделированный по поведению стервятников, которые делятся и гонятся за добычей, используется для нахождения ряда оптимальных компромиссов. Каждая точка на этой фронте Парето представляет дизайн, при котором улучшение одной цели, например увеличения извлекаемого тепла, автоматически ухудшит другую, например энергию, необходимую для зарядки грунта. Полученный набор охватывает подаваемую энергию примерно от 1.27 до 2.29 гигаджоулей и извлекаемую энергию примерно от 0.43 до 0.74 гигаджоулей, выявляя области, где дополнительная зарядка даёт лишь незначительный прирост восстановленного тепла.

Выбор реальных вариантов конструкции

Инженерам нужны не просто облака вариантов, а конкретные решения, поэтому авторы применяют метод принятия решений, который ранжирует дизайны Парето в соответствии с разными приоритетами. Изменяя относительную важность низкой входной энергии и высокой извлекаемой энергии, они выделяют семь практичных сценариев. Некоторые сценарии отдают предпочтение очень низким затратам энергии и умеренному восстановлению, что подходит для небольших или энергоограниченных участков, в то время как другие ориентированы на более высокое восстановление для районного теплоснабжения или крупных зданий, принимая более высокие затраты на зарядку и более продвинутые растворы. Этот шаг показывает, как одну и ту же концепцию подземного хранения можно адаптировать под разные реальные условия.

Что это значит для будущих энергосистем

Проще говоря, статья демонстрирует, что подземные тепловые батареи можно сделать более эффективными, интеллектуально подбирая свойства породоподобной среды и материала заполнения вокруг труб при помощи передовых инструментов анализа данных. Вместо проб и ошибок или эмпирических правил предложенная структура позволяет планировщикам быстро увидеть, как изменения в этих материалах влияют на энергию, вложенную в хранилище, и на тепло, которое реально можно вернуть. Это может помочь сделать наземные системы отопления и охлаждения более эффективными, гибкими и лучше соответствующими потребностям будущих низкоуглеродных энергетических сетей.

Цитирование: 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

Ключевые слова: подземное аккумулирование тепловой энергии, змеевиковый тепловой обменник в скважине, геотермальное отопление, оптимизация с использованием машинного обучения, тепловые свойства цементного раствора