Underjordisk støj afslører brudveje, der er nødvendige for energiproduktion

Både olieproduktion og geotermisk energi har brug for væsker til at bevæge sig gennem sprækkekanaler i underjordiske bjergarter. Alligevel er det udfordrende at kortlægge og måle brud, der er skabt til væskeflow, fordi det, der sker under jorden, er uset.

Seismiske undersøgelser, skabes, når lyden hopper mod undergrundens funktioner, kan producere reflekterende billeddannelse, men disse er ikke detaljerede billeder og er svære at tyde af enhver, der ikke er uddannet i geovidenskab.

Texas A&M University kandidatforsker Aditya Chakravarty mener, at en anden lydkilde vil skabe klarere og mere præcise billeder, i hvert fald når det kommer til at skildre brud. Under opsyn af sin mentor, Siddharth Misra fra Harold Vance Department of Petroleum Engineering, Chakravarty bruger maskinlæringsalgoritmer til at fokusere på de passive lyde fra klipper, når de revner og knækker under jorden, så bruddene kan vurderes og kortlægges nøjagtigt.

Forskningen er støttet af en bevilling tildelt Misra fra Department of Energy (DOE) og fortsætter arbejde Chakravarty lavede som praktikant for Lawrence Berkeley National Lab i løbet af sommeren 2020. Både den nuværende forskning og praktikopholdet er forbundet med Enhanced Geothermal Systems Collaborative projekt (EGS Collab) oprettet af DOE Geothermal Technologies Office.

Selvom det kan virke mærkeligt for en studerende, der får sin doktorgrad i petroleumsteknik, at deltage i et projekt, der fremmer geotermiske metoder, så de en dag kan drive millioner af hjem, Chakravarty er uenig.

"Petroleumsingeniører har en meget solid forståelse af de underliggende geotermiske energikoncepter, som boreafslutninger, væskestrømme og så videre, " sagde han. "Jeg fandt ud af, at de fleste af de førende personer i geotermiske projekter tidligere har arbejdet som olieingeniører eller reservoiringeniører."

Væskestrømme er blevet undersøgt tilstrækkeligt detaljeret til at have veldefinerede ligninger tilgængelige til at forudsige deres adfærd, men væskestrømning i underjordiske reservoirer kan være vanskelig. Mange reservoirsten er så stramtkornede, at væsker ikke kan strømme gennem dem, medmindre de er revnet eller brækket. De fleste af disse bjergarter er også meget heterogene, betydning af alle forskellige typer, så bruddet former sig, størrelser og længder kan være ret varierede og, følgelig, svært at forudsige. At få olie til at strømme ud af et tæt komprimeret skiferreservoir eller vand til at strømme ned gennem varm sten for at blive en opadgående udluftning af damp afhænger af bedre visualisering af de faktiske brudkanaler under jorden.

"For at forstå og være sikker på, at vi skaber de rigtige brud, vi skal være i stand til at afbilde og karakterisere dem ordentligt, " sagde Chakravarty. "F.eks. vi kan pumpe vand ind for at skabe damp, men væsken vil bare gå tabt under jorden, hvis vi ikke har brud på de rigtige steder til at lede den tilbage til det geotermiske anlæg."

Chakravarty arbejder med data indsamlet af EGS Collab fra Sanford Underground Research Facility ved Homestake Mine i South Dakota, hvor injektion, brud- og produktionstest blev udført, overvåget og optaget i dybder på over 4, 800 fod. Hans rolle er at anvende blind, eller uden opsyn, maskinlæringsmetoder til disse underjordiske datamålinger for bedre at forstå, hvad signaturerne siger om tilstanden af ​​bruddene i undergrunden.

Der er to brede typer af maskinlæringsalgoritmer:overvåget og uovervåget. Overvåget maskinlæring er lidt som at tage en eksamen, hvor alle spørgsmålene blev dækket et sted i en lærebog udenad:alt er kendt, det skal bare identificeres. Uovervåget læring omhandler ting, der ikke er kendt, men som kunne være relevante. Algoritmerne skal filtrere data gennem en generel forståelse af et emne og udtrække, hvad der synes vigtigt, fra det, der sandsynligvis ikke er.

På grund af kompleksiteten i at forstå de usete brud under jorden, uovervåget læring er perfekt til dette job. Algoritmerne gennemgår de data, der er indsamlet af EGS Collabs måleudstyr, og sorterer ud, hvad de finder ud fra vejledning fra Chakravarty.

"Med smart forarbejdning, brikker af puslespillet dukkede op fra den tilfældige underjordiske støj og begyndte at fortælle en stramt sammenhængende historie, " sagde Chakravarty. "For mig, den petroleumsingeniørstuderende, der har begrænset eksponering for seismologi, det er en åbenbaring."

Chakravarty er måske ikke dygtig til seismologi, men han har en bachelor- og kandidatgrad i geovidenskab og en kandidatgrad i petroleumsteknik. Han kom til Texas A&M for at afslutte sin petroleumsingeniøruddannelse og, efter at have arbejdet for Misra på et maskinlæringsprojekt baseret på at bruge passive lyde til at karakterisere revner i sten, fundet en dyb påskønnelse af videnskaben. Chakravarty var i stand til at få et eftertragtet praktikophold hos Lawrence Berkeley for at fremme hans interesser i maskinlæring, og det introducerede ham til EGS Collab-projektet.

Han er stolt af sit tilhørsforhold til det geotermiske projekt og går ind for fordelene ved en bred uddannelse.

"Jeg har denne ret tværfaglige tilgang, som involverer geofysik og petrofysik, såvel som de centrale ingeniørkoncepter, " sagde Chakravarty. "Dette giver mig en forståelse af, hvordan alle disse forskellige discipliner kommer sammen og giver mening om, hvad der foregår."