Geowetenschappers van Sandia National Laboratories gebruikten 3D-geprinte stenen en een geavanceerde, grootschalig computermodel van aardbevingen in het verleden om aardbevingen veroorzaakt door energie-exploratie te begrijpen en te voorkomen.

Ondergronds water injecteren na onconventionele olie- en gaswinning, algemeen bekend als fracken, stimulatie van geothermische energie en de opslag van kooldioxide kunnen allemaal aardbevingen veroorzaken. Natuurlijk, energiebedrijven doen hun uiterste best om te controleren op fouten - breuken in de bovenste aardkorst die vatbaar zijn voor aardbevingen - maar soms ook aardbevingen, zelfs zwermen aardbevingen, onverwacht toeslaan.

Sandia-geowetenschappers bestudeerden hoe druk en stress van het injecteren van water door poriën in rotsen naar breuklijnen kan worden overgebracht, inclusief eerder verborgen. Ze verpletterden ook rotsen met speciaal ontworpen zwakke punten om het geluid van verschillende soorten foutstoringen te horen, die zal helpen bij de vroege detectie van een geïnduceerde aardbeving.

Variabiliteit in 3D-printen biedt fundamentele structurele informatie

Om verschillende soorten storingsfouten te bestuderen, en hun waarschuwingssignalen, Sandia-geowetenschapper Hongkyu Yoon had een stel stenen nodig die elke keer dat hij druk uitoefende op dezelfde manier zouden breken - druk die niet veel lijkt op de druk die wordt veroorzaakt door het injecteren van water onder de grond.

Natuurlijke rotsen die op dezelfde locatie zijn verzameld, kunnen enorm verschillende minerale oriëntatie en gelaagdheid hebben, waardoor verschillende zwakke punten en breuktypes ontstaan.

Een aantal jaar geleden, Yoon begon met additive manufacturing, algemeen bekend als 3D-printen, om stenen te maken van een op gips gebaseerd mineraal onder gecontroleerde omstandigheden, in de overtuiging dat deze rotsen meer uniform zouden zijn. Om de rotsen af ​​te drukken, Yoon en zijn team hebben gips in dunne lagen gespoten, het vormen van 1-bij-3-bij-0,5 inch rechthoekige blokken en cilinders.

Echter, terwijl hij de 3D-geprinte rotsen bestudeerde, Yoon realiseerde zich dat het printproces ook minuscule structurele verschillen veroorzaakte die van invloed waren op hoe de rotsen braken. Dit wekte zijn interesse, wat hem ertoe bracht te bestuderen hoe de minerale textuur in 3D-geprinte gesteenten invloed heeft op hoe ze breken.

"Het blijkt dat we die variabiliteit van mechanische en seismische reacties van een 3D-geprinte breuk in ons voordeel kunnen gebruiken om ons te helpen de fundamentele processen van breken en de impact ervan op de vloeistofstroom in rotsen te begrijpen, " zei Yoon. Deze vloeistofstroom en poriedruk kunnen aardbevingen veroorzaken.

Voor deze experimenten is Yoon en medewerkers van Purdue University, een universiteit waarmee Sandia een sterke samenwerking heeft, maakte een minerale inkt met behulp van calciumsulfaatpoeder en water. De onderzoekers, waaronder Purdue-professoren Antonio Bobet en Laura Pyrak-Nolte, bedrukt een laag gehydrateerd calciumsulfaat, ongeveer half zo dik als een vel papier, en vervolgens een bindmiddel op waterbasis aangebracht om de volgende laag op de eerste te lijmen. Het bindmiddel herkristalliseerde een deel van het calciumsulfaat tot gips, hetzelfde mineraal dat wordt gebruikt in bouwgipsplaten.

De onderzoekers printten dezelfde rechthoekige en cilindrische stenen op gipsbasis. Bij sommige gesteenten liepen de minerale gipslagen horizontaal, terwijl anderen verticale minerale lagen hadden. De onderzoekers varieerden ook in de richting waarin ze het bindmiddel sproeiden, om meer variatie in minerale gelaagdheid te creëren.

Het onderzoeksteam kneep in de monsters totdat ze braken. Het team onderzocht de breukvlakken met behulp van lasers en een röntgenmicroscoop. Ze merkten dat het breukpad afhing van de richting van de minerale lagen. Yoon en collega's beschreven deze fundamentele studie in een paper gepubliceerd in het tijdschrift Wetenschappelijke rapporten .

Geluidssignalen en machine learning om seismische gebeurtenissen te classificeren

Ook, samen met zijn medewerkers aan de Purdue University, Yoon bewaakte akoestische golven die uit de afgedrukte monsters kwamen terwijl ze braken. Deze geluidsgolven zijn tekenen van snelle microscheurtjes. Vervolgens combineerde het team de geluidsgegevens met machine learning-technieken, een soort geavanceerde data-analyse die patronen kan identificeren in schijnbaar niet-gerelateerde data, om signalen van minieme seismische gebeurtenissen te detecteren.

Eerst, Yoon en zijn collega's gebruikten een machine learning-techniek die bekend staat als een willekeurig bosalgoritme om de microseismische gebeurtenissen te clusteren in groepen die werden veroorzaakt door dezelfde soorten microstructuren en ongeveer 25 belangrijke kenmerken in de microcrack-geluidsgegevens te identificeren. Ze rangschikten deze kenmerken op significantie.

Met behulp van de belangrijke functies als richtlijn, ze creëerden een meerlagig "diep" leeralgoritme - zoals de algoritmen waarmee digitale assistenten kunnen functioneren - en pasten dit toe op gearchiveerde gegevens die zijn verzameld van echte gebeurtenissen. Het deep-learning algoritme was in staat om signalen van seismische gebeurtenissen sneller en nauwkeuriger te identificeren dan conventionele monitoringsystemen.

Yoon zei dat ze binnen vijf jaar hopen veel verschillende machine learning-algoritmen toe te passen, zoals deze en die met ingebedde geowetenschappelijke principes, om geïnduceerde aardbevingen te detecteren die verband houden met activiteiten met fossiele brandstoffen in olie- of gasvelden. De algoritmen kunnen ook worden toegepast om verborgen fouten te detecteren die instabiel kunnen worden als gevolg van koolstofvastlegging of stimulatie van geothermische energie, hij zei.

"Een van de leuke dingen van machine learning is de schaalbaarheid, Yoon zei. "We proberen altijd bepaalde concepten die onder laboratoriumomstandigheden zijn ontwikkeld, toe te passen op grootschalige problemen - daarom doen we laboratoriumwerk. Toen we eenmaal die machine learning-concepten, ontwikkeld op laboratoriumschaal op gearchiveerde gegevens, bewezen hadden, het is heel gemakkelijk om het op te schalen naar grootschalige problemen, vergeleken met traditionele methoden."

Spanning wordt overgedragen via steen naar diepe breuken

Een verborgen fout was de oorzaak van een verrassende aardbeving op een geothermische stimulatielocatie in Pohang, Zuid-Korea. in 2017, twee maanden nadat het laatste geothermische stimulatie-experiment eindigde, een aardbeving van 5,5 op de schaal van Richter schudde het gebied, de op een na sterkste aardbeving in de recente geschiedenis van Zuid-Korea.

Na de aardbeving, geowetenschappers ontdekten een fout die diep verborgen was tussen twee injectieputten. Om te begrijpen hoe spanningen van waterinjectie naar de fout reisden en de aardbeving veroorzaakten, Kyung Won Chang, een geowetenschapper bij Sandia, besefte dat hij meer moest overwegen dan de spanning van het water dat op de rotsen drukt. Naast die vervormingsspanning, hij moest ook rekening houden met hoe die spanning naar de rots werd overgebracht terwijl het water door de poriën in de rots zelf stroomde in zijn complexe grootschalige computermodel.

Chang en zijn collega's beschreven de stressoverdracht in een artikel dat in het tijdschrift is gepubliceerd Wetenschappelijke rapporten .

Echter, het begrijpen van vervormingsspanning en overdracht van spanning door rotsporiën is niet voldoende om sommige aardbevingen te begrijpen en te voorspellen die worden veroorzaakt door activiteiten op het gebied van energie-exploratie. Er moet ook rekening worden gehouden met de architectuur van verschillende fouten.

Met behulp van zijn model, Chang analyseerde een kubus van 6 mijl lang, 6 mijl breed en 6 mijl diep waar een zwerm van meer dan 500 aardbevingen plaatsvond in Azle, Texas, van november 2013 tot mei 2014. De aardbevingen vonden plaats langs twee elkaar kruisende breuken, een minder dan 2 mijl onder het oppervlak en een andere langer en dieper. Terwijl de ondiepe breuk dichter bij de plaatsen van afvalwaterinjectie was, de eerste aardbevingen vonden plaats langs de langere, diepere fout.

In zijn model Chang ontdekte dat de waterinjecties de druk op de ondiepe breuk deden toenemen. Tegelijkertijd, door injectie veroorzaakte spanning die door de rots naar de diepe breuk wordt overgebracht. Omdat de diepe fout aanvankelijk meer onder druk stond, de aardbevingszwerm begon daar. Hij en Yoon deelden het geavanceerde rekenmodel en hun beschrijving van de aardbevingen in Azle in een recent gepubliceerd artikel in de Journal of Geophysical Research:Solid Earth .

"In het algemeen, we hebben multifysische modellen nodig die verschillende vormen van stress koppelen aan meer dan alleen de poriëndruk en de vervorming van gesteenten, geïnduceerde aardbevingen begrijpen en deze in verband brengen met energieactiviteiten, zoals hydraulische stimulatie en afvalwaterinjectie, ' zei Chang.

Chang zei dat hij en Yoon samenwerken om machine learning-algoritmen toe te passen en op te schalen om eerder verborgen fouten te detecteren en handtekeningen van geologische stress te identificeren die de omvang van een veroorzaakte aardbeving zouden kunnen voorspellen.

In de toekomst, Chang hoopt die stresssignaturen te gebruiken om een ​​kaart te maken van potentiële gevaren voor geïnduceerde aardbevingen in de Verenigde Staten.