AI + geotermi: så löser vi värme utan elnätspanik

En siffra från Cornell University fastnar direkt: på årets kallaste dagar behöver campus upp till 104 MW värme – mer än tre gånger deras högsta elbehov. Det är exakt den obekväma matte som många svenska fastighetsägare, kommuner och industribolag också brottas med när de pratar om elektrifiering och klimatmål.

Cornell borrar just nu nästan 3 kilometer ner i berggrunden för att hämta värme direkt ur jorden och ersätta ett gasbaserat värmesystem – med en tänkt tidshorisont till 2035. Projektet är spännande av en enkel anledning: värme är den stora, ofta underskattade utsläppsboven i kalla klimat. Och här finns en möjlighet att minska utsläppen utan att samtidigt dra upp elbehovet till nivåer som pressar nätet.

I den här delen av vår serie AI inom energi och hållbarhet tar jag Cornell som verkligt exempel och går ett steg längre: var AI gör mest nytta i djup geotermi, vilka risker som faktiskt går att styra med data – och hur du kan tänka om du vill ta konceptet från “universitetscampus i USA” till “svensk stad, industriområde eller fastighetsportfölj”.

Varför värme är den svåraste biten i energiomställningen

Svar direkt: Värme kräver stora effekter under korta perioder, och om allt elektrifieras samtidigt blir elnätet flaskhalsen.

För många verksamheter är det lätt att prata om “förnybar el”. Det svåra är vintermorgnarna, processångan och hetvattnet. Cornell är tydliga: deras värmebehov dominerar energianvändningen, och därför blir värme också det största hindret för att sänka klimatutsläpp.

Det här mönstret känns igen:

• Städer i kallt klimat med äldre bestånd och stora topplaster (effekttoppar) vintertid.
• Industri som behöver kontinuerlig värme/ånga för hygien, torkning, sterilisering och processer.
• Stora campus (universitet, sjukhus, data- och forskningsparker) med många byggnader, långa kulvertar och hög drifttid.

Elektrifiering med värmepumpar är ofta rätt – men den kommer med en konsekvens: fler “elektroner” måste fram, och det innebär mer nätinvesteringar, mer effekttariffer och ibland mer fossil marginalproduktion på systemnivå om utbyggnaden av elproduktion och nät inte hinner med.

Djup geotermi (direktanvändning av värme) attackerar problemet från ett annat håll: värme blir värme, utan att först bli el.

Cornell-modellen: djup geotermisk värme i “svår” geologi

Svar direkt: Cornell försöker skapa en artificiell reservoar i tät berggrund – ungefär som “enhanced geothermal systems” – men med fokus på fjärrvärmeliknande värme till byggnader.

Det som gör Cornell intressant är att de inte sitter på ett självklart geotermiskt paradis (tänk Island med naturliga varma vattenmagasin). Upstate New York beskrivs snarare som en tårtbit av mudstone, kalksten, sandsten och kristallint berg – inte en plats där varmt vatten bara råkar cirkulera.

Deras strategi är därför mer ingenjörskonst än tur:

• Borra mycket djupt (cirka 10 000 fot, nästan 3 000 meter) för att nå stabila temperaturer.
• Skapa sprickor/frakturer i lågpermeabelt berg (kontrollerat) för att kunna cirkulera vatten.
• Cirkulera vatten i en sluten loop: varmt upp, avge värme i ett nät, kylt vatten tillbaka ner.

En detalj som är lätt att missa: Cornell har redan ett smart kylsystem som använder kalla djupvatten från Cayuga Lake för att kyla campus. Geotermiprojektet blir i praktiken den “omvända” logiken – fast med berg istället för sjö.

Ekonomin är heller inte småpengar. Första etappen (värma en del av East Campus) anges kosta över 100 miljoner dollar. Det är en investering som kräver lång tidshorisont och tålamod – och som samtidigt kan fungera som demonstrationsanläggning för andra stora värmeanvändare.

Här gör AI skillnad: från geologi och risk till driftoptimering

Svar direkt: AI kan minska osäkerhet före borrning, styra risk under injektion och maximera nyttan i distributionen när systemet är i drift.

Det är här kampanjvinkeln blir konkret. Djup geotermi är i grunden ett data- och modelleringsproblem lika mycket som ett borrproblem. Du ska fatta beslut om en underjord du inte ser, med stora kostnader per felval.

AI före borrning: bättre beslut med mindre “gissning”

Innan en ny brunn borras handlar allt om att förvandla fragment av data (kärnprov, seismik, loggar, temperaturgradienter) till en beslutsbild: var finns värmen, hur rör sig vätska, och vad händer när vi trycksätter?

AI kan bidra genom:

• Geologisk modellering och klassificering: ML-modeller kan hitta mönster i borrhålsdata och koppla dem till bergartsparametrar som påverkar permeabilitet och värmeledning.
• Surrogatmodeller för snabb simulering: I stället för att köra tunga fysiksimuleringar i timmar kan AI tränas att approximera resultat och ge snabba “what-if”-svar.
• Osäkerhetsanalys som går att använda i styrning: Inte bara ett enda prognosvärde, utan intervall och sannolikheter som går att översätta till investeringsbeslut.

En ståndpunkt jag tycker fler borde ta: det är inte “AI eller fysik”. Det är AI ovanpå fysik. Den bästa kombinationen är ofta fysikbaserade modeller som förbättras med data (hybridmodeller).

AI under injektion: tidig varning för oönskad seismik

Cornell har arbetat länge med att förstå risken för borrningsrelaterade jordskalv. Det är klokt – särskilt när man planerar frakturering och högtrycksinjektion.

AI kan hjälpa genom realtidsanalys av:

• Fiberoptiska mätningar (DTS/DAS) som fångar temperatur- och vibrationssignaturer längs borrhålet.
• Mikroseismik: mönsterigenkänning för att upptäcka förändringar i spricknätets beteende tidigt.
• Tryck- och flödesdata: anomalidetektering som stoppar eller justerar injektionsstrategin innan man “tappar kontrollen”.

En bra tumregel för riskstyrning: mät tätare än du tror att du behöver, och automatisera larmtrösklar. Människor är bra på bedömning – men inte på att stirra på 20 datakanaler 24/7.

AI i drift: maximal nytta av varje grad och varje liter

När du väl har en värmekälla gäller det att leverera rätt temperatur vid rätt tid, med minsta möjliga pumpenergi och minsta möjliga distributionförluster.

Här passar AI nästan skräddarsytt:

• Prognoser för värmelast på byggnadsnivå (timme-för-timme) baserat på historik, närvaro, verksamhet, väder och schema.
• Optimering av framledningstemperatur i nätet: lägre temperaturer ger lägre förluster – men måste matcha radiatorer/processkrav.
• Hydraulisk optimering: pumpstyrning som minimerar elförbrukning och håller stabilt flöde.
• Prediktivt underhåll på pumpar, ventiler och värmeväxlare: upptäck försämring innan det blir driftstopp mitt i januari.

En mening som brukar landa bra i ledningsgrupper: “AI gör att ni kan köpa mindre effekt, inte bara billigare energi.”

Geotermi vs värmepumpar: falsk konflikt – men rätt arkitektur krävs

Svar direkt: Den smartaste strategin är ofta en portfölj: djup geotermi för basvärme, värmepumpar för lyft och flexibilitet, samt termisk lagring för effekttoppar.

Cornells interna diskussion speglar en klassisk konflikt: aktivister vill se omedelbara utsläppsminskningar via elektrifiering, medan drift- och hållbarhetsteam oroar sig för att ökad elförbrukning i praktiken kan flytta utsläpp någon annanstans om elsystemet inte hänger med.

I svensk kontext blir motsvarigheten ofta: fjärrvärme, elpannor, värmepumpar, biobränsle, restvärme, geotermi. Min erfarenhet är att många fastnar i “antingen eller”. Bättre är att ställa tre konkreta arkitekturfrågor:

1. Vad ska ta baslasten? (här passar geotermi bra om resursen finns)
2. Vad ska hantera toppar? (termisk lagring, spets, styrning)
3. Vad ger flexibilitet mot elpris och effektavgifter? (AI-styrd drift, lastflytt, hybridlösningar)

Det Cornell gör – och som fler borde kopiera – är att angripa värme som ett systemproblem: källa + distribution + styrning + risk.

Praktisk checklista: så startar du ett AI-stött geotermispår

Svar direkt: Börja med data och värmeprofilen, inte med borriggen.

Om du jobbar i kommun, fastighetsbolag eller industri och funderar på geotermi (djup eller grund) är det här en rimlig väg som håller nere risken:

1. Kartlägg värmebehovet i detalj
   • Timprofil (minst 12 månader), effekttoppar, temperaturkrav, redundanskrav.
2. Bygg en “digital tvilling light”
   • Enkel modell av nät/byggnader/processer som kan kalibreras med mätdata.
3. Säkra mätning och datakvalitet
   • Flöden, temperaturer, differenstryck, energimätare per delsystem.
4. Gör en geologisk förstudie + riskanalys
   • Inkludera seismik, tillstånd, acceptans hos boende, vattenhantering.
5. Designa driften som ett optimeringsproblem
   • Definiera mål: CO₂, kostnad, effekt, komfort, robusthet.
6. Planera en demonstrator
   • En byggnadskluster eller en del av nätet där du kan bevisa prestanda.

Det är också här leadsvinkeln blir naturlig: de flesta organisationer behöver inte “mer AI i största allmänhet”. De behöver en konkret kedja från data → modell → beslut → drift.

Citatvänlig tumregel: Djup geotermi är dyr att testa i marken men billigare att testa i modellen – om modellen är bra.

Vad Cornell lär oss (och vad som avgör om det skalar)

Cornell visar att värme kan vara den stora klimatfrågan även när elen blir grönare. De visar också att djup geotermi i “icke-optimala” regioner kräver samma disciplin som stora industriprojekt: lång planering, mätning, transparens och tydlig riskstyrning.

För att det ska skala till fler städer och verksamheter behövs tre saker:

• Teknisk repeterbarhet: standardiserade borr- och reservoardesigner som fungerar i flera geologier.
• Finansiell logik: affärsmodeller som tål lång återbetalning och premierar stabil värme.
• AI och digitalisering som normal drift, inte sidoprojekt: prognoser, optimering och övervakning från dag 1.

Värmeomställningen i Norden kommer inte bli “en teknik”. Den kommer bli ett pussel där geotermi kan vara en av de större bitarna – särskilt när elnät och effekttillgång blir den nya flaskhalsen.

Om du sitter med ett värmenät, en campusmiljö eller en processindustri: var i ditt system finns den största osäkerheten – och vilka mätdata saknar du för att minska den? Där brukar nästa bra projekt börja.