Iterative modeling of heat plume interactions of geothermal heat pumps

Abstract

Open-loop groundwater heat pumps (GWHP) offer a climate-friendly solution for the energy intensive task of cooling and heating buildings. They extract groundwater from the aquifer to cool or heat buildings, before reinjecting the water back into the subsurface. As a result, heat plumes form around the injection point. In areas with a high density of GWHP systems, optimizing the placement of extraction and injection wells is crucial for ensuring high efficiency, which requires highly accurate estimations of heat plumes in the aquifer. Previous work primarily relies on a two-stage approach using convolutional neural networks (CNNs) to approximate groundwater temperatures. In contrast, this work explores an iterative single-stage estimation approach. To achieve this, the input parameters are expanded to provide the CNN with additional temperature information, allowing it to estimate the global domain iteratively. The results of this study demonstrate that a single-stage approach is feasible for estimating the global domain. However, it comes with a significant increase in computational cost and slightly reduced accuracy. Further research is necessary to fully explore the potential of this alternative method and optimize its performance. Grundwasserwärmepumpen (GWHP) bieten eine klimafreundliche Lösung für die energieintensive Aufgabe der Kühlung und Heizung von Gebäuden. Sie funktionieren indem sie Grundwasser aus dem Untergrund entnehmen, es vewenden um ein Gebäude zu kühlen/heizen, bevor sie das verwendetet Wasser wieder in die Grundwasserschicht einleiten. Infolgedessen bilden sich Wärmefahnen um die Einspeisestelle. In Gebieten mit einer hohen Dichte an GWHP-Anlagen ist die Optimierung der Platzierung von Entnahme- und Einspeisebrunnen für die Aufrechterhaltung ihrer Effizienz von entscheidender Bedeutung, was eine äußerst genaue Abschätzung der Wärmefahnen in der Grundwasserschicht erfordert. Frühere Arbeiten stützten sich in erster Linie auf einen zweistufigen Ansatz, bei dem Convolutional Neural Networks (CNN) zur Annäherung der Grundwassertemperaturen verwendet werden. Im Gegensatz dazu wird in dieser Arbeit ein iterativer einstufiger Ansatz untersucht. Dafür wurden die Eingangsparameter erweitert um das CNN mit ausreichenden Informationen zu versorgen, die es ihm ermöglichen, das Temperaturfeld eines großen Gebietes mit vielen GWHPs iterativ vorherzusagen. Die Ergebnisse dieser Arbeit zeigen, dass ein einstufiger Ansatz für die Schätzung des globalen Bereichs machbar ist. Allerdings ist er mit einem erheblichen Anstieg der Rechenkosten und einer leicht verringerten Genauigkeit verbunden. Weitere Forschungsarbeit ist erforderlich, um das Potenzial dieser alternativen Methode voll auszuschöpfen und ihre Leistung zu optimieren.