AI + geotermisk värme: så minskar ni eltopparna

104 megawatt. Så mycket värmeeffekt kan ett enda campus behöva under de kallaste dagarna. Det är mer än tre gånger deras årliga effekttopp för el. När man ser den siffran blir en sak glasklar: vi kommer inte nå klimatmål genom att bara prata el – värme är den stora elefanten i rummet.

Det är därför Cornell University borrar nästan 3 kilometer rakt ner i berggrunden i delstaten New York för att ta upp geotermisk värme och värma byggnader direkt. Projektet är tekniskt krävande, politiskt utsatt och dyrt. Men det är också ett av de mest intressanta praktiska exemplen på hur datadriven ingenjörskonst och AI kan göra geotermi relevant i områden som saknar ”naturliga” varma reservoarer.

För dig som jobbar med energi, fastigheter, industri, kommunal planering eller hållbarhetsstrategi finns här en viktig lärdom: kombinationen av djup geotermi, digitala tvillingar och AI-styrning kan minska utsläpp utan att spränga elnätets kapacitet – särskilt i kalla klimat.

Varför djup geotermi är en värmefråga, inte en elfråga

Den mest användbara poängen med Cornells satsning är att den fokuserar på direkt värme i stället för elproduktion.

Att göra el av värme innebär energiomvandlingsförluster. Att använda geotermin direkt till fjärrvärmeliknande system är helt enkelt mer effektivt. Och i praktiken handlar avkarbonisering av värme ofta om effekt (hur mycket värme behövs samtidigt) lika mycket som energi över året.

Cornells uppställning visar en realitet som många nordiska aktörer redan känner igen:

• Vinterdagar ger höga värmetoppar.
• Elektrifiering med värmepumpar och elpannor kan flytta problemet till elnätets effekttoppar.
• Om elnätet redan är ansträngt (industriexpansion, datacenter, laddning) blir “bara elektrifiera” en dyr och lång väg.

Djup geotermi kan fungera som ett basvärmeankare: stabil värme dygnet runt som minskar behovet av fossil spetslast och minskar hur mycket el som måste reserveras för kalla dagar.

Djup geotermi vs. grunt borrhålslager

Många tänker ”bergvärme” när de hör geotermi. Men Cornell gör något helt annat.

• Grunda system (hundratals meter) kräver ofta värmepumpar och många borrhål för stora laster.
• Djupa system (kilometer) når temperaturer som kan användas mer direkt, men kräver avancerad borrning och noggrann riskstyrning.

Cornell bedömer att de annars skulle behöva tiotusentals grunda hål för ett mycket stort campus, medan planen är att klara sig med ett fåtal mycket djupa brunnar.

“Först data, sedan värme”: så byggs geotermi som ett dataprojekt

Här blir kopplingen till serien AI inom energi och hållbarhet tydlig.

Cornell började inte med att bygga ett färdigt värmesystem. De började med en borrhålsobservatorium – en extremt djup kunskapsbrunn som producerar data i stället för olja och gas.

Den data som samlas in (temperaturgradienter, bergarter, spänningsfält, sprickbeteende, hydraulisk respons) är exakt den typ av underlag som behövs för att:

1. minska risken för felaktig dimensionering,
2. förstå seismiska risker,
3. optimera borr- och stimulationsstrategi,
4. simulera långsiktig värmeutvinning.

Det är här AI och maskininlärning kan bidra på ett sätt som faktiskt spelar roll i kronor, tid och acceptans.

Tre AI-användningar som gör skillnad i djup geotermi

1) Prediktiv geologi och borrplanering
Djup geotermi i ”rocky geology” handlar om att hantera osäkerhet: sprickzoner, permeabilitet och lokala variationer. ML-modeller kan tränas på historisk borrdata (inklusive från olje- och gasindustrin) för att:

• förutse borrhastighet och verktygsslitage,
• upptäcka avvikande mönster i realtidsdata,
• föreslå borrparametrar som minskar risken för fastkörning och kostnadsdrivande stopp.

2) Optimering av reservoar och flöde (”digital tvilling”)
När man skapar en artificiell reservoar genom att spräcka tät berggrund är kontrollen över flödesvägar avgörande. En digital tvilling kan kombineras med AI för att optimera:

• injektions- och produktionsflöden,
• temperaturfall över tid,
• pumpenergi och systemverkningsgrad,
• driftstrategi för att undvika för tidig kylning av reservoaren.

3) Prognoser för värmelast och effekttoppar
AI för värmelastprognoser (baserat på väder, kalender, beläggning och byggnadsdata) gör att geotermin kan samspela med andra resurser:

• termisk lagring (varmvatten/PCM)
• värmepumpar som spets
• befintlig fjärrvärme eller pannor som reserv

Resultatet är lägre kostnad per levererad kWh värme och färre timmar med dyr spets.

En bra tumregel: geotermi ger stabil basvärme, AI gör den flexibel.

Varför det här är en modell även för Sverige

Sverige har redan en stark fjärrvärmetradition, hög andel fossilfri el och växande intresse för industriell elektrifiering. Ändå är Cornells resonemang högst relevant.

Elnätet är flaskhalsen även när elen är ”grön”

Även med fossilfri el kan effektbrist och anslutningsköer stoppa projekt. Om stora fastighetsbestånd går från fjärrvärme/gas/olja till eldriven värme samtidigt skapas nya toppar.

Djup geotermi och lågtempererade termiska nät kan då bli ett sätt att:

• hålla tillbaka den snabbaste ökningen av eleffektbehov,
• frigöra kapacitet för industri, laddning och datahallar,
• minska behovet av dyra nätförstärkningar.

Industrivärme: “svår” avkarbonisering som ofta glöms bort

Cornell pekar på något många företag missar: värme behövs inte bara i byggnader. Den behövs i processer – ånga, varmvatten, sterilisation, torkning, fermentering.

I svensk kontext kan motsvarande finnas i:

• livsmedelsindustri (mejeri, bryggeri, bageri)
• massa och papper (processvärme i olika temperaturspann)
• kemi och läkemedel (krav på stabil temperatur och renhet)

Här kan geotermi, i kombination med AI-baserad styrning och termisk lagring, bli ett praktiskt alternativ när elanslutningen är begränsad eller när man vill minska risk mot elprisets volatilitet.

Hårda lärdomar från Cornell: teknik, pengar och förtroende

Den som tror att geotermi bara är en teknisk fråga har inte drivit projekt i verkligheten.

Cornell visar tre friktioner som nästan alltid dyker upp – även i Sverige.

1) Första anläggningen blir dyr (och ska ändå byggas)

Första etappen för att värma en del av campus uppskattas kosta över 100 miljoner dollar. Det är en siffra som får styrelser att rygga tillbaka.

Men det är också typiskt för infrastruktur där:

• prospektering och borrning har hög initial risk,
• värdet kommer över decennier,
• lärkurvan sänker kostnaden för nästa projekt.

Vill man ha storskalig fossilfri värme måste någon ta första steget. Jag tycker Cornell gör rätt som behandlar det som ett ”living lab” som ska sänka risk och kostnad för andra.

2) Finansiering och policy kan bli den största risken

Projektets tidplan påverkas av osäker finansiering. Det är ett mönster vi känner igen: teknik kan vara redo, men kapitalet väntar på stabila regler, stöd eller långa avtal.

För svenska aktörer innebär det att jobba aktivt med:

• långsiktiga värmeavtal (PPA-liknande upplägg för värme)
• riskdelning mellan kommun/bolag/fastighetsägare
• tydlig plan för miljöprövning och dialog

3) Transparens slår “PR” varje dag

Cornell möter kritik från klimataktivister som tycker att geotermi kan bli en ursäkt för att vänta med andra åtgärder.

Det där händer ofta när tidslinjer är otydliga. Min erfarenhet: man behöver ha två spår samtidigt och vara ärlig med båda.

• Spår A: effektivisera, trimma system, fasa ut det värsta nu.
• Spår B: bygg den stora lösningen som tar tid men bär i 30–50 år.

AI kan hjälpa även här: öppna dashboards för energidata, prognoser och uppföljning gör det lättare att visa framsteg utan att gömma sig bakom framtidslöften.

Praktisk checklista: så kan ni börja med “AI-stödd geotermi”

Om du ansvarar för energi i ett campus, en kommun eller en industri är nästa steg sällan ”borra 3 km”. Nästa steg är att skapa beslutsunderlag som håller.

1. Kartlägg värmeprofilen per timme
   Identifiera antal timmar per år med hög last och vad som driver topparna (väder, drift, ventilation, processer).

2. Bygg en dataplattform för värme (inte bara el)
   Samla mätvärden från undercentraler, fjärrvärme, pannor, process, inomhusklimat och väder. Utan bra data blir AI bara gissning.

3. Gör en digital tvilling av värmesystemet
   Börja enkelt: energibalans, effektflöden, temperaturer. Utöka med hydraulik och styrstrategier när nyttan är bevisad.

4. Simulera hybridlösningar
   Jämför scenarier: geotermi + termisk lagring + värmepump som spets, mot ren elektrifiering eller fjärrvärmeuppgradering.

5. Planera för acceptans och risk
   Sätt rutiner för seismisk övervakning, miljödialog och transparent rapportering. Förtroende är en projektresurs.

Nästa våg av fossilfri värme byggs med borrkrona och algoritmer

Cornells projekt är en påminnelse om att avkarbonisering inte bara handlar om att byta energikälla – det handlar om att bygga system som fungerar i verklig drift när det är -15 °C och alla vill ha värme samtidigt.

Djup geotermi kan ge stabil, lokal och fossilfri värme. AI kan göra den förutsägbar, optimerad och integrerad med resten av energisystemet så att vi slipper skapa nya problem på elsidan.

Om du leder energiomställning i fastigheter eller industri: börja mäta värmen med samma noggrannhet som ni mäter elen, bygg en modell som tål granskning och våga titta på geotermi som mer än “bergvärme för villor”. Nästa steg är att välja: ska ni vara de som väntar på att någon annan bevisar lösningen – eller de som bygger den och får försprånget?