Extending heat plumes with sequence modeling neural networks

Abstract

Groundwater heat pumps are gaining importance for resource-saving heating and cooling due to their low energy consumption. These heat pump systems consist of an extraction well and an injection well. Water is drawn from the extraction well and pumped through a heat exchanger. Afterwards, the water, now at a different temperature, is discharged into the injection well. Due to pressure differences in the groundwater-bearing layers, the introduced heat spreads through the subsurface. This creates heat plumes that align with the pressure gradient in the ground and can extend to the system's own extraction well or to boreholes of other heat pumps. The temperature change at the borehole influences the efficiency of the affected heat pump. In areas with multiple heat pumps, it is crucial to predict the spread of heat plumes in advance to improve the overall system’s efficiency. Existing machine learning models are limited to a fixed spatial area or struggle to encode spatial features within composite inputs. This work introduces an approach based on sequential modeling networks, particularly a convolutional long short-term memory (ConvLSTM) architecture, to enhance heat plume predictions beyond these limitations. The encoder-decoder framework leverages the sequencing of input data, enabling more accurate predictions under varying subsurface conditions. Two model configurations with different prediction horizons were evaluated. While both models performed similarly in terms of Root Mean Square Error (RMSE) and Mean Absolute Error (MAE) on the test dataset, the model with the shorter prediction horizon excelled in predicting more pronounced heat plumes. Compared to previous UNet-based approaches, the ConvLSTM model shows improvements, especially in predicting the ends of the heat plumes and capturing spatial relationships. Grundwasserwärmepumpen gewinnen aufgrund ihrer hohen Energieeffizienz an Relevanz für ressourcensparendes Heizen und Kühlen von Gebäuden. Diese Wärmepumpensysteme umfassen einen Saugbrunnen und einen Schluckbrunnen. Aus dem Saugbrunnen wird Wasser entnommen un durch einen Wärmetauscher gepumpt. Anschließend wird das Wasser mit veränderter Temperatur in den Schluckbrunnen gelassen. Aufgrund von Durckunterschieden in den grundwasserführenden Schichten verteilt sich die zugeführte Wärme im Erdboden. Dadurch entstehen Wärmefahnen, die sich am Druckgradienten im Boden ausrichten und sich bis zum eigenen Saugbrunnen oder bis zu Bohrlöchern anderer Wärmepumpen ausbreiten können. Die Temperaturveränderung am Bohrpunkt beeinflusst die Effizienz der betroffenen Wärmepumpe. In Bereichen mit mehreren Wärmepumpen ist es entscheidend, die Ausbreitung von Wärmefahnen vorab zu ermitteln, um die Effizienz des Gesamtsystems zu steigern. Bisherige Machine-Learning-Modelle sind auf einen festen räumlichen Bereich begrenzt oder können räumliche Merkmale in zusammengesetzten Eingabegrößen nur schwer kodieren. In dieser Arbeit wird ein Ansatz vorgestellt, der auf sequenziellen Modellierungsnetzwerken basiert, insbesondere auf einer konvolutionellen long short-term memory (ConvLSTM)-Architektur, um Wärmefahnenvorhersagen über diese Einschränkungen hinaus zu erweitern. Das Encoder-Decoder-Framework nutzt die Sequenzierung der Eingabedaten und ermöglicht genauere Vorhersagen unter variierenden Untergrundbedingungen. Zwei Modellkonfigurationen mit unterschiedlichen Vorhersagehorizonten wurden evaluiert. Während beide Modelle auf dem Testdatensatz bezüglich Root Mean Square Error (RMSE) und Mean Absolute Error (MAE) ähnlich gut abschneiden, zeichnet sich das Modell mit kürzerem Vorhersagehorizont bei der Vorhersage ausgeprägter Wärmefahnen aus. Der Vergleich mit früheren UNet-basierten Ansätzen zeigt, dass das ConvLSTM-Modell insbesondere bei der Vorhersage von den Enden der Wärmefahnen und der Erfassung räumlicher Zusammenhänge Verbesserungen bietet.