A deep learning approach for large-scale groundwater heat pump temperature prediction

Abstract

Heating and cooling buildings is one of the most energy-intensive aspects of modern life. To minimize the impact on global warming and decelerate climate change, more efficient and carbon emission-mitigating technologies such as openloop groundwater heat pumps (GWHP) for heating and cooling buildings are being used and quickly adopted. Nowadays, in order to guarantee their optimal use and prevent negative interactions, city planners need to optimize their placement in the urban landscape. This optimization process requires fast models that simulate the effect of a GWHP on the groundwater temperature. Considering a large domain with multiple GWHPs, this work introduces a framework for the groundwater temperature prediction. While using a learned local surrogate model, a convolutional neural network, to predict the local temperature field around every single GWHP, a physics-informed neural network (PINN) is employed afterwards to correct the global initial solution of stitched together local predictions. As the violations of the physical laws described by the underlying partial differential equation(s) are spatially unevenly distributed, two different methods for drawing sampling points, on the basis of which the training of the PINN to correct the global initial solution takes place, are investigated and compared. This work shows that it is possible for a PINN to correct the global initial solution of stitched together local predictions in a domain with multiple GWHPs. However, there are still opportunities to improve the quality and decrease the computational time of the presented framework. The best method for drawing sampling points depends on the scenario and the placement of the GWHPs. Thus, no general statement can be made, which of the two methods is more suitable. This work provides a good basis for further investigation of the presented framework.

Das Heizen und Kühlen von Gebäuden ist einer der energieintensivsten Aspekte des modernen Lebens. Um die Auswirkungen auf die Erderwärmung zu minimieren und den Klimawandel zu verlangsamen, werden effizientere und den Kohlenstoffdioxidausstoß mindernde Technologien wie Grundwasserwärmepumpen (GWHP) zum Heizen und Kühlen von Gebäuden eingesetzt und zunehmend installiert. Um deren optimale Nutzung zu gewährleisten und gegenseitige Störungen zu vermeiden, müssen Stadtplaner ihre Positionierung in der Stadtlandschaft optimieren. Dieser Optimierungsprozess erfordert schnelle Simulationsmodelle, die die Auswirkungen einer GWHP auf die Grundwassertemperatur simulieren. Bei Betrachtung eines großen Gebiets mit mehreren GWHPs stellt diese Arbeit eine Methode für die Vorhersage der Grundwassertemperatur vor. Mithilfe eines bereits gelernten lokalen Ersatzmodells, einem Convolutional Neural Network, wird das lokale Temperaturfeld um jede einzelne GWHP vorhergesagt. Anschließend wird ein Physics-Informed Neural Network (PINN) verwendet, um die globale Anfangslösung der zusammengefügten lokalen Vorhersagen zu korrigieren. Da die Verstöße gegen die physikalischen Gesetze, die durch die zugrunde liegende(n) partielle(n) Differentialgleichung(en) beschrieben werden, räumlich ungleichmäßig verteilt sind, werden zwei verschiedene Methoden für die Auswahl der Samplingpunkte, auf deren Grundlage das Training des PINNs zur Korrektur der globalen Anfangslösung stattfindet, untersucht und verglichen. Diese Arbeit zeigt, dass es mithilfe eines PINNs möglich ist die globale Anfangslösung von zusammengesetzten lokalen Vorhersagen auf einem Gebiet mit mehreren GWHPs zu korrigieren. Es gibt jedoch noch Möglichkeiten, die Qualität der vorgestellten Methode zu verbessern und die Laufzeit zu reduzieren. Die beste Methode für die Auswahl der Samplingpunkte hängt vom Szenario und der Positionen der GWHPs ab. Dadurch kann keine allgemeine Aussage getroffen werden, welche der beiden Methoden besser geeignet ist. Diese Arbeit bietet eine gute Grundlage für die weitere Untersuchung der vorgestellten Methode.