Teori møder anvendelse:Maskinlæringsteknikker til geotermisk udforskning

Når Jing Yang, adjunkt i elektroteknik, begyndte at lede efter praktiske anvendelser til sin maskinlæringsforskning, samarbejde med Chris Marone, professor i geovidenskab, for hans arbejde med sikker og effektiv geotermisk efterforskning og energiproduktion, var en perfekt pasform.

Yang og Marone blev for nylig tildelt en 2019 Penn State Multidisciplinary Seed Grant for deres forskningssamarbejde "Machine learning approaches for sikker geotermisk udforskning."

"Jeg har arbejdet med maskinlæring i en årrække, " sagde Yang. "Min forskning er mere på den teoretiske side, og jeg vil gerne vise, hvordan teori kan relateres til praksis. Energirelaterede applikationer kunne være stedet, hvor maskinlæringsteknikker kan vise en stor effekt."

Arbejdet sigter mod at bruge maskinlæring både til bedre at forudsige seismisk aktivitet under geotermisk efterforskning og til at optimere geotermisk energiproduktion.

Geotermiske systemer kræver skabelse af brud gennem hydraulisk stimulering. Denne bruddannelse og stimulering er forbundet med mikrojordskælv (MEQ'er), der kan beskadige bygninger og andre overfladestrukturer. Marone og Yang håber, at de ved at bruge Yangs maskinlæringsalgoritmer (ML) vil være i stand til at forudsige og forudsige seismiske hændelser såsom MEQ'er.

"Vi er meget interesserede i, om der findes visse forstadier til mikrojordskælv, så vi kan forudsige, hvornår en større seismisk aktivitet vil ske i den nærmeste fremtid, hvorpå nogle øjeblikkelige handlinger kan tages, før der sker noget destruktivt, " sagde Yang.

En kritisk komponent i denne forskning er ML-algoritmers evne til at forudsige denne seismiske aktivitet i stor skala. Forskerne har i øjeblikket haft succes med at indsamle data og forudsige seismisk aktivitet i laboratoriet, men de skal sikre, at de kan lave disse forudsigelser i feltskala.

"Hvis du har tusindvis af sensorer, der genererer målinger på en streaming måde, at analysere datastrømmene i realtid er ekstremt udfordrende. Problemet bliver endnu mere kompliceret, når mange mikrobegivenheder sker på samme tid, " sagde Yang. "Så [spørgsmålet er] hvordan kunne vi lokalisere eller mere præcist udlede de begivenheder, der sker under overfladen, fra streaming af data."

Det andet mål med projektet er sikkert at udvinde den optimale mængde geotermisk energi i den hydrauliske frakturering.

"Vi ønsker omhyggeligt at kontrollere mængden af ​​væske, der sprøjtes ind i jorden, så vi kan opnå høj produktion af geotermisk energi, og samtidig sikre, at det ikke forårsager skade på stedet, overfladestrukturer og så videre, " sagde Yang.

At gøre dette, Yang og Marone vil udvikle en sikker forstærkningslæringsramme. Dette vil indebære at skabe skalerbare algoritmer til at håndtere ukendte miljøer, og som vil kunne overføres fra laboratoriet til feltbrug.

Marone og Yang planlægger at bruge resultaterne fra denne foreløbige indsats til at udvikle et større finansieret projekt og udvide dette arbejde ud over geotermisk energiproduktion til andre områder.

"De sikre forstærkningslæringsteknikker, som jeg udvikler, gør det muligt for en læremiddel at maksimere produktionen og samtidig sikre sikkerheden. Men sikkerhed er ikke kun et problem for geotermisk udforskning, " sagde Yang. "Sikker forstærkende læring kan have meget vigtige anvendelser på andre områder som autonom kørsel. For eksempel, vi ønsker, at en bil automatisk lærer miljøet og løbende tilpasser sin bevægelse derefter. På samme tid, vi vil sikre, at bilen ikke tager hensynsløse beslutninger i lyset af usikkerheden i de forudsagte konsekvenser.

"Så sikkerhed under læring er bestemt et meget vigtigt emne der, " Yang tilføjede. "Og de teknikker, der er udviklet her, kan potentielt modificeres og tilpasses for at sikre sikkerhed med autonom kørsel og andre situationer."