Forskere bruger 3D-printede sten, maskinlæring til at opdage uventede jordskælv

Geovidenskabsmænd ved Sandia National Laboratories brugte 3D-printede sten og en avanceret, storstilet computermodel af tidligere jordskælv for at forstå og forhindre jordskælv udløst af energiudforskning.

Injektion af vand under jorden efter ukonventionel olie- og gasudvinding, almindeligvis kendt som fracking, geotermisk energistimulering og kuldioxidbinding kan alle udløse jordskælv. Selvfølgelig, energiselskaber gør deres due diligence for at tjekke for fejl - brud i jordens øvre skorpe, der er tilbøjelige til jordskælv - men nogle gange jordskælv, selv sværme af jordskælv, strejke uventet.

Sandia geoforskere undersøgte, hvordan tryk og stress fra indsprøjtning af vand kan overføres gennem porer i klipper ned til brudlinjer, inklusive tidligere skjulte. De knuste også sten med specielt konstruerede svage punkter for at høre lyden af ​​forskellige typer fejlfejl, som vil hjælpe med tidlig opdagelse af et induceret jordskælv.

Variabilitet i 3D-print giver grundlæggende strukturel information

For at studere forskellige typer fejlfejl, og deres advarselstegn, Sandia geovidenskabsmand Hongkyu Yoon havde brug for en flok sten, der ville brække på samme måde, hver gang han påførte tryk - tryk ikke ulig trykket forårsaget af indsprøjtning af vand under jorden.

Naturlige bjergarter indsamlet fra samme sted kan have vidt forskellig mineralorientering og lagdeling, forårsager forskellige svage punkter og brudtyper.

For flere år siden, Yoon begyndte at bruge additiv fremstilling, almindeligvis kendt som 3D-print, at lave sten fra et gipsbaseret mineral under kontrollerede forhold, at tro, at disse klipper ville være mere ensartede. For at udskrive stenene, Yoon og hans team sprøjtede gips i tynde lag, danner 1 x 3 x 0,5 tommer rektangulære blokke og cylindre.

Imidlertid, da han studerede de 3D-printede sten, Yoon indså, at udskrivningsprocessen også genererede små strukturelle forskelle, der påvirkede, hvordan klipperne brækkede. Dette vakte hans interesse, førte ham til at studere, hvordan mineralteksturen i 3D-printede bjergarter påvirker, hvordan de sprækkes.

"Det viser sig, at vi kan bruge den variation af mekaniske og seismiske reaktioner af en 3D-printet fraktur til vores fordel for at hjælpe os med at forstå de grundlæggende processer ved frakturering og dens indvirkning på væskestrømmen i klipper, " sagde Yoon. Denne væskestrøm og poretryk kan udløse jordskælv.

Til disse eksperimenter, Yoon og samarbejdspartnere ved Purdue University, et universitet, som Sandia har et stærkt partnerskab med, lavet et mineralblæk ved hjælp af calciumsulfatpulver og vand. Forskerne, herunder Purdue-professorerne Antonio Bobet og Laura Pyrak-Nolte, trykte et lag hydreret calciumsulfat, omkring halvt så tykt som et ark papir, og derefter påført et vandbaseret bindemiddel for at lime det næste lag til det første. Bindemidlet omkrystalliserede noget af calciumsulfatet til gips, det samme mineral, der bruges i byggegipsplader.

Forskerne trykte de samme rektangulære og cylindriske gipsbaserede sten. Nogle sten havde gipsminerallagene løbende vandret, mens andre havde lodrette minerallag. Forskerne varierede også i hvilken retning de sprøjtede bindemidlet, at skabe mere variation i minerallag.

Forskerholdet pressede prøverne, indtil de gik i stykker. Holdet undersøgte frakturoverfladerne ved hjælp af lasere og et røntgenmikroskop. De bemærkede, at brudvejen afhang af retningen af ​​minerallagene. Yoon og kolleger beskrev denne grundlæggende undersøgelse i et papir offentliggjort i tidsskriftet Videnskabelige rapporter .

Lydsignaler og maskinlæring til at klassificere seismiske hændelser

Også, arbejder med sine samarbejdspartnere på Purdue University, Yoon overvågede akustiske bølger, der kom fra de udskrevne prøver, da de sprækkede. Disse lydbølger er tegn på hurtige mikrorevner. Derefter kombinerede holdet lyddataene med maskinlæringsteknikker, en type avanceret dataanalyse, der kan identificere mønstre i tilsyneladende ikke-relaterede data, til at detektere signaler fra små seismiske hændelser.

Først, Yoon og hans kolleger brugte en maskinlæringsteknik kendt som en tilfældig skovalgoritme til at gruppere de mikroseismiske hændelser i grupper, der var forårsaget af de samme typer mikrostrukturer og identificere omkring 25 vigtige funktioner i mikrorevnelyddataene. De rangerede disse funktioner efter betydning.

Ved at bruge de væsentlige funktioner som guide, de skabte en flerlags "dyb" læringsalgoritme – ligesom de algoritmer, der tillader digitale assistenter at fungere – og anvendte den på arkiverede data indsamlet fra begivenheder i den virkelige verden. Den dybe indlæringsalgoritme var i stand til at identificere signaler fra seismiske hændelser hurtigere og mere præcist end konventionelle overvågningssystemer.

Yoon sagde, at de inden for fem år håber at kunne anvende mange forskellige maskinlæringsalgoritmer, som disse og dem med indlejrede geovidenskabelige principper, at detektere inducerede jordskælv relateret til fossile brændstoffers aktiviteter i olie- eller gasfelter. Algoritmerne kan også anvendes til at opdage skjulte fejl, der kan blive ustabile på grund af kulstofbinding eller geotermisk energistimulering, han sagde.

"En af de gode ting ved maskinlæring er skalerbarheden, " sagde Yoon. "Vi forsøger altid at anvende visse koncepter, der er udviklet under laboratorieforhold, på problemer i stor skala - det er derfor, vi laver laboratoriearbejde. Når vi beviste disse maskinlæringskoncepter udviklet i laboratorieskala på arkiverede data, det er meget nemt at skalere det op til store problemer, sammenlignet med traditionelle metoder."

Stress overføres gennem sten til dybe forkastninger

En skjult fejl var årsagen til et overraskende jordskælv på et geotermisk stimuleringssted i Pohang, Sydkorea. I 2017 to måneder efter det sidste geotermiske stimuleringseksperiment var afsluttet, et jordskælv med en styrke på 5,5 rystede området, det næststørste jordskælv i Sydkoreas nyere historie.

Efter jordskælvet, geovidenskabsmænd opdagede en fejl skjult dybt mellem to injektionsbrønde. For at forstå, hvordan spændinger fra vandinjektion rejste til fejlen og forårsagede jordskælvet, Kyung Won Chang, en geovidenskabsmand ved Sandia, indså, at han var nødt til at overveje mere end stressen fra vand, der presser på klipperne. Ud over den deformationsspænding, han var også nødt til at redegøre for, hvordan den stress blev overført til klippen, når vandet strømmede gennem porerne i selve klippen i sin komplekse beregningsmodel i stor skala.

Chang og hans kolleger beskrev stressoverførslen i et papir offentliggjort i tidsskriftet Videnskabelige rapporter .

Imidlertid, at forstå deformationsstress og overførsel af stress gennem klippeporer er ikke nok til at forstå og forudsige nogle jordskælv induceret af energiudforskningsaktiviteter. Arkitekturen af ​​forskellige fejl skal også overvejes.

Ved at bruge hans model, Chang analyserede en terning på 6 miles lang, 6 miles bred og 6 miles dyb, hvor en sværm på mere end 500 jordskælv fandt sted i Azle, Texas, fra november 2013 til maj 2014. Jordskælvene fandt sted langs to krydsende forkastninger, en mindre end 2 miles under overfladen og en anden længere og dybere. Mens den lavvandede forkastning var tættere på stederne for spildevandsinjektion, de første jordskælv fandt sted langs de længere, dybere fejl.

I hans model, Chang fandt ud af, at vandindsprøjtningerne øgede trykket på den lavvandede forkastning. På samme tid, injektion-induceret stress overført gennem klippen ned til den dybe forkastning. Fordi den dybe fejl var under mere stress i begyndelsen, jordskælvsværmen begyndte der. Han og Yoon delte den avancerede beregningsmodel og deres beskrivelse af Azle-jordskælvene i et papir for nylig offentliggjort i Journal of Geophysical Research:Solid Earth .

"Generelt, vi har brug for multifysiske modeller, der kobler forskellige former for stress ud over blot poretryk og deformation af sten, at forstå inducerede jordskælv og korrelere dem med energiaktiviteter, såsom hydraulisk stimulering og spildevandsinjektion, " sagde Chang.

Chang sagde, at han og Yoon arbejder sammen om at anvende og opskalere maskinlæringsalgoritmer for at opdage tidligere skjulte fejl og identificere signaturer af geologisk stress, der kunne forudsige størrelsen af ​​et udløst jordskælv.

I fremtiden, Chang håber at bruge disse stresssignaturer til at skabe et kort over potentielle farer for inducerede jordskælv rundt om i USA.