En ny intelligent ram för att utnyttja markens termiska energi genom optimering av grouts och tillbakasättningsmaterialets termofysiska egenskaper

Lagra värme i marken

När fler hushåll och städer går över till förnybar energi blir en stor utmaning hur man lagrar värme från en årstid för användning i en annan. Denna studie undersöker ett sätt att betrakta marken under våra fötter som ett gigantiskt uppladdningsbart värmebatteri. Genom att noggrant välja hur vi fyller och omsluter underjordiska rör, och genom att använda intelligenta dataverktyg, visar författarna hur man kan få mer användbar värme tillbaka från marken samtidigt som energianvändningen optimeras.

Hur underjordisk värmelagring fungerar

Underjordisk termisk energilagring använder djupa hål borrade i marken, kallade borrhål, med U-formade rör inuti. På sommaren eller när restvärme finns, pumpas varm vätska ner i dessa rör för att ladda den omgivande berggrunden med värme. På vintern skickas kallare vätska ner för att plocka upp värmen igen och leverera den till byggnader. Berget fungerar som en stor termisk svamp, medan materialet som fyller gapet mellan rören och berget, känt som grout eller backfill, avgör hur lätt värme kan röra sig in i och ut ur denna svamp.

Varför fyllnadsmaterialet spelar roll

Systemens framgång beror starkt på grundläggande fysikaliska egenskaper hos både berget och grouten, såsom hur väl de leder värme, hur mycket värme de kan lagra och hur täta de är. Om materialen leder värme bra kan systemet ladda och ladda ur snabbt, men värme kan också läcka bort till den omgivande marken. Om de lagrar mycket värme kan mer energi hållas under marken, men det kan bli svårare att ta ut den igen. Författarna visar att groutens termiska ledningsförmåga är särskilt viktig för att återfå värme under återvinningsfasen, medan bergsegenskaperna styr hur mycket som kan lagras från början.

Att lära datorer att ersätta komplexa modeller

Att fullständigt simulera värmeflöde i och runt ett borrhål är långsamt och kräver mycket datorkraft, särskilt om många designalternativ måste testas. För att lösa detta tränade författarna artificiella neurala nätverk för att imitera en detaljerad numerisk modell av ett enskilt borrhål i berg. Dessa nätverk lär sig från en uppsättning exempel-simuleringar och ger sedan mycket snabba prognoser av två nyckelresultat: hur mycket värme som tillförs marken och hur mycket som senare återvinns. Genom att noggrant ställa in nätverken med sökmetoder inspirerade av genetik och djurjakt uppnådde teamet mycket exakta förutsägelser, med nästan perfekt överensstämmelse mellan nätverket och den ursprungliga modellen.

Söka efter de bästa designkompromisserna

Med dessa snabba prediktorer i hand utforskar studien sedan tusentals möjliga kombinationer av berg- och groutegenskaper. En multiobjektiv sökalgoritm, modellerad på gamars beteende vid delning och jagande av föda, används för att hitta en serie bästa kompromisser. Varje punkt på denna Pareto-front representerar en design där förbättring av ett mål, såsom att få mer värme tillbaka, automatiskt skulle försämra ett annat, som energin som behövs för att ladda marken. Den resulterande uppsättningen spänner över tillförd energi på ungefär 1,27 till 2,29 gigajoule och återvunnen energi på cirka 0,43 till 0,74 gigajoule, vilket avslöjar tydliga områden där extra laddning ger endast små vinster i återvunnen värme.

Välja verkliga designalternativ

Ingenjörer behöver fortfarande tydliga val, inte bara en moln av alternativ, så författarna använder en beslutsmetod som rangordnar Pareto-designen enligt olika prioriteringar. Genom att ändra den relativa vikten mellan låg inmatad energi kontra hög återvunnen energi extraherar de sju praktiska scenarier. Vissa prioriterar mycket låg energiinmatning och måttlig återvinning, lämpliga för små eller energibegränsade platser, medan andra föredrar högre återvinning för fjärrvärme eller stora byggnader och accepterar högre laddningsenergi och mer avancerad grout. Detta steg visar hur samma koncept för underjordisk lagring kan anpassas för många verkliga förhållanden.

Vad detta betyder för framtida energisystem

Enkelt uttryckt visar artikeln att underjordiska värmebatterier kan göras mer effektiva genom att intelligent välja egenskaperna hos den bergliknande omgivningen och fyllnadsmaterialet runt rören, styrt av avancerade datadrivna verktyg. Istället för trial-and-error eller tumregler låter det föreslagna ramverket planerare snabbt se hur förändringar i dessa material påverkar både den energi som lagras och den värme som realistiskt kan tas tillbaka. Detta kan bidra till att göra markbaserade uppvärmnings- och kylsystem mer effektiva, flexibla och bättre anpassade till behoven i framtida låga koldioxidutsläpps-nätverk.

Citering: 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

Nyckelord: underjordisk termisk energilagring, borrhålsvärmeväxlare, geotermisk uppvärmning, maskininlärningsoptimering, groutens termiska egenskaper