Ondiepe geothermie is een duurzaam alternatief voor verwarming of koeling. De ondergrond fungeert hierbij als medium voor koude- en warmteopslag (KWO). Zo kan de CO2-uitstoot 30% afnemen tegenover met conventionele systemen. KWO kan dus significant bijdragen aan de energiemix. De toenemende interesse in KWO zal ons waardevolle ondergrondse systeem echter extra onder druk zetten en complexere systemen zullen een doelwit worden. Dit zal gepaard gaan met een toenemende belangstelling voor het begrijpen van de invloed van beslissingen en optimalisatie onder onzekerheid. Het hoofddoel van dit onderzoek is om het ontwerp van KWO systemen te verbeteren en de onzekerheid van hun energie-efficiëntie te voorspellen met behulp van een stochastisch raamwerk genaamd Bayesian Evidence Learning (BEL). De methode zal worden gevalideerd op relevante schaal voor KWO-systemen door middel van twee operationele systemen waarbij het gebrek aan gegevens waarmee bedrijven geconfronteerd worden zal worden nagebootst. KWO2.0 zal ook in staat zijn om de huidige groeiende complexiteit van data en modellen aan te kunnen. Het biedt een grondige en nauwkeurige methodologie voor goed beheer van natuurlijke bronnen. Het kan Vlaamse bedrijven ten goede komen door de geavanceerde tools van KWO2.0 te gebruiken om beter geïnformeerde voorspellingen te doen. Op grotere schaal beoogt KWO2.0 een paradigmaverschuiving te bieden in de manier waarop voorspellingsproblemen in de aardwetenschappen worden opgelost.