AI-förstärkt geotermisk modell för skalbara energiosäkerheter i byggnader

Varför smartare uppvärmning och kylning spelar roll

Städer står för större delen av världens energianvändning, och en stor del av den går till att värma och kyla bostäder. När extremväder och elbrister blir vanligare behöver planerare bättre sätt att förutse hur mycket energi byggnader kommer att använda och hur nya tekniker som geotermiska värmepumpar kan minska både kostnader och utsläpp. Denna studie introducerar ett snabbt, AI‑vänligt modelleringsverktyg som kan uppskatta energianvändningen hos geotermiska system i hus och kvarter, vilket hjälper samhällen att avgöra vilka uppgraderingar som ger störst miljömässig och ekonomisk nytta.

En enkel modell för en komplex byggnad

I stället för att förlita sig på traditionella, mycket detaljerade simuleringsmotorer som kan ta lång tid att köra bygger författarna vidare på en strömlinjeformad ”termisk krets”-modell. I detta tillvägagångssätt behandlas ett hus som en elektrisk krets för värme: väggar, fönster och inomhusluft representeras av ett litet antal resistans‑ och värmelagringselement. Väderdata, byggnadsmaterial och interna tillskott från människor och utrustning matas in i modellen, som sedan beräknar hur mycket värme eller kyla en geotermisk värmepump skulle behöva över tid. Modellen är implementerad i programmeringsspråket Julia och paketerad i ny programvara kallad Building Energy Replica Tool (BERT), designad från grunden för att vara snabb, skalbar och lätt att koppla ihop med maskininlärningsalgoritmer.

Kontroll mot en betrodd standard

För att se om denna lättviktiga modell är tillförlitlig jämför teamet BERT:s resultat med dem från EnergyPlus, en branschstandard för byggnadssimulering. De använder ett 60 kvadratmeter stort hus på New Mexico State Universitys campus och reproducerar omsorgsfullt dess storlek, material och lokala väderförhållanden. För både en het sommardag och en kall vinterdag ligger tidpunkterna för toppbehov av värme och kyla nära varandra mellan de två verktygen, även om de exakta toppvärdena skiljer sig med ungefär 20–30 procent. BERT tenderar att utjämna skarpa toppar på grund av hur den representerar lagrad värme, men överlag följer den när byggnaden behöver energi och hur belastningen förändras över dagen. Avgörande är att BERT körs flera gånger snabbare än EnergyPlus och många tiotals gånger snabbare än vissa andra ingenjörsverktyg, vilket gör stora antal körningar genomförbara.

Att hitta vad som verkligen driver energianvändningen

Hastigheten är viktig eftersom författarna inte bara vill ha en enda prognos—de vill förstå osäkerheter och vilka designval som spelar störst roll. De varierar nyckelinput med avancerade samplingsmetoder och tillämpar sedan globala känslighetsanalyser för att se vilka parametrar som har störst inverkan på energianvändningen. Över flera tekniker framträder samma budskap: för byggnader med geotermiska system dominerar utformningen av markkretsen och själva värmepumpen osäkerheten i energibehovet. Faktorer som värmeöverföringshastigheten mellan jord och rör, längden på nedgrävd ledning och värmepumpens effektivitet väger tyngre än förändringar i väggisolering eller betongegenskaper inom realistiska intervall. Ytterligare statistiska analyser visar hur olika kombinationer av parametrar kan ge nästan samma dagliga effektkurva, vilket belyser var konstruktörer har spelrum och var de inte har det.

Sätta pengar och datavetenskap i arbete

Tack vare modellens hastighet kan teamet utöka sin analys till ekonomi och artificiell intelligens. Med heltårs-simuleringar jämför de ett geotermiskt värmepumpssystem med en konventionell gaspanna och en vanlig luftkonditionering, under olika scenarier för väggisolering samt lokala elpriser och incitament för Las Cruces, New Mexico. Geotermiska alternativ minskar konsekvent årlig uppvärmnings‑ och kylenergi med ungefär hälften och återbetalar ofta sina extra initialkostnader inom några upp till cirka femton år när rabatter och skatteavdrag räknas med—väl inom utrustningens förväntade livslängd. På AI‑sidan tränar de en Extreme Gradient Boosting (XGBoost) maskininlärningsmodell på tusentals BERT‑simulationer. Med bara en måttlig mängd träningsdata lär sig algoritmen att återskapa BERT:s energiprognoser med nästintill perfekt noggrannhet på några sekunder, vilket visar att en fysikbaserad modell kan destilleras till en ultrarapid surrogatmodell lämplig för realtidsstyrning och planering i stadsstor skala.

Vad detta betyder för framtidens städer

För icke‑specialister är huvudbudskapet att en omsorgsfullt utformad, förenklad modell kan vara tillräckligt exakt för att vägleda verkliga beslut samtidigt som den är tillräckligt snabb för att utforska tusentals ”tänk om”-scenarier. Studien visar att i geotermiska hem spelar det större roll att få det underjordiska systemet och värmepumpen rätt än att finjustera varje väggdetalj, och att dessa system kan vara både grönare och kostnadseffektiva över sin livstid. Genom att kombinera sådana fysikmedvetna modeller med maskininlärning lägger författarna grunden för en UrbanAI‑plattform som skulle kunna hjälpa planerare att testa policyer, nätbolag att prognostisera efterfrågan och hushåll eller utvecklare att se de långsiktiga fördelarna med renare uppvärmning och kylning innan de sätter spaden i marken.

Citering: 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

Nyckelord: geotermiska värmepumpar, byggnaders energimodellering, urbana energiplanering, maskininlärning, förnybar uppvärmning och kylning