Zowel olieproductie als geothermische energie hebben vloeistoffen nodig om door breukkanalen in ondergrondse rotsen te bewegen. Maar het nauwkeurig in kaart brengen en meten van breuken die voor vloeistofstroom zijn gemaakt, is een uitdaging, want wat er ondergronds gebeurt, blijft ongezien.

Seismische onderzoeken, gemaakt wanneer geluid weerkaatst tegen ondergrondse kenmerken, kan reflecterende beeldvorming produceren, maar dit zijn geen gedetailleerde afbeeldingen en zijn moeilijk te ontcijferen door iemand die geen ervaring heeft met geowetenschappen.

Aditya Chakravarty, een afgestudeerde onderzoeker van de Texas A&M University, gelooft dat een andere geluidsbron voor duidelijkere en nauwkeurigere beelden zal zorgen. tenminste als het gaat om het weergeven van breuken. Onder toezicht van zijn mentor, Siddharth Misra van het Harold Vance Department of Petroleum Engineering, Chakravarty gebruikt algoritmen voor machinaal leren om zich te concentreren op de passieve geluiden die worden gemaakt door rotsen als ze barsten en ondergronds breken, zodat de breuken nauwkeurig kunnen worden beoordeeld en in kaart kunnen worden gebracht.

Het onderzoek wordt ondersteund door een subsidie ​​toegekend aan Misra van het Department of Energy (DOE) en zet het werk voort dat Chakravarty deed als stagiair voor het Lawrence Berkeley National Lab in de zomer van 2020. Zowel het huidige onderzoek als de stage zijn verbonden aan de Enhanced Geothermal Systems Collaborative project (EGS Collab) gemaakt door het DOE Geothermal Technologies Office.

Hoewel het misschien vreemd lijkt voor een student die zijn doctoraat in petroleumtechnologie behaalt om deel te nemen aan een project dat geothermische methoden bevordert, zodat ze op een dag miljoenen huizen van stroom kunnen voorzien, Chakravarty is het daar niet mee eens.

"Aardolie-ingenieurs hebben een zeer goed begrip van onderliggende geothermische energieconcepten, zoals boorafwerkingen, vloeistofstromen enzovoort, " zei hij. "Ik ontdekte dat de meeste leidende mensen in geothermische projecten eerder als petroleumingenieurs of reservoiringenieurs werkten."

Vloeistofstromen zijn in voldoende detail bestudeerd om goed gedefinieerde vergelijkingen beschikbaar te hebben om hun gedrag te voorspellen, maar vloeistofstroom in ondergrondse reservoirs kan lastig zijn. Veel reservoirgesteenten zijn zo fijnkorrelig dat vloeistoffen er niet doorheen kunnen stromen tenzij ze gebarsten of gebroken zijn. De meeste van deze gesteenten zijn ook zeer heterogeen, betekenis van alle verschillende soorten, dus de breukvormen, maten en lengtes kunnen behoorlijk variëren en, bijgevolg, moeilijk te voorspellen. Om ervoor te zorgen dat olie uit een strak samengeperst schaliereservoir stroomt of dat water door hete rots naar beneden stroomt om een ​​opwaartse afvoer van stoom te worden, hangt af van een betere visualisatie van de feitelijke breukkanalen onder de grond.

"Om te begrijpen en er zeker van te zijn dat we de juiste breuken creëren, we moeten ze goed kunnen verbeelden en karakteriseren, " zei Chakravarty. "Bijvoorbeeld, we kunnen water pompen om stoom te creëren, maar de vloeistof gaat gewoon onder de grond verloren als we geen breuken op de juiste plaatsen hebben om het terug naar de geothermische centrale te leiden."

Chakravarty werkt met gegevens die zijn verzameld door de EGS Collab van de Sanford Underground Research Facility bij Homestake Mine in South Dakota, waar injectie, breuk- en productietesten werden uitgevoerd, gemonitord en geregistreerd op een diepte van meer dan 4, 800 voet. Zijn rol is om blind toe te passen, of zonder toezicht, machine learning-methoden om deze ondergrondse gegevensmetingen beter te begrijpen om beter te begrijpen wat de handtekeningen zeggen over de toestand van de breuken in de ondergrond.

Er zijn twee brede soorten algoritmen voor machine learning:gecontroleerd en niet-gesuperviseerd. Supervised machine learning lijkt een beetje op het afleggen van een examen waarbij alle vragen ergens in een uit het hoofd geleerd leerboek zijn behandeld:alles is bekend, het moet alleen worden geïdentificeerd. Unsupervised learning houdt zich bezig met dingen die niet bekend zijn maar wel relevant kunnen zijn. De algoritmen moeten gegevens filteren op basis van een algemeen begrip van een onderwerp en extraheren wat belangrijk lijkt uit wat waarschijnlijk niet zo is.

Vanwege de complexiteit van het begrijpen van de onzichtbare breuken onder de grond, onbegeleid leren is perfect voor deze baan. De algoritmen doorzoeken de gegevens die zijn verzameld door de EGS Collab-meetapparatuur en sorteren wat ze vinden op basis van begeleiding van Chakravarty.

"Met slimme verwerking, stukjes van de puzzel verschenen uit het willekeurige ondergrondse geluid en begonnen een strak samenhangend verhaal te vertellen, " zei Chakravarty. "Voor mij, de student petroleumtechnologie die beperkte blootstelling heeft aan seismologie, het is een openbaring."

Chakravarty is misschien niet bedreven in seismologie, maar hij heeft wel een bachelor en master in geowetenschappen en een master in petroleum engineering. Hij kwam naar Texas A&M om zijn opleiding in petroleum engineering af te ronden en, na voor Misra te hebben gewerkt aan een machine-learningproject gebaseerd op het gebruik van passieve geluiden om scheuren in steen te karakteriseren, vond een diepe waardering voor de wetenschap. Chakravarty kon een felbegeerde stage bij Lawrence Berkeley krijgen om zijn interesse in machine learning te bevorderen en het introduceerde hem bij het EGS Collab-project.

Hij is trots op zijn aansluiting bij het aardwarmteproject en pleit voor de voordelen van breed onderwijs.

"Ik heb deze nogal interdisciplinaire benadering, waarbij geofysica en petrofysica betrokken zijn, evenals de belangrijkste technische concepten, "Zei Chakravarty. "Dit geeft me een waardering voor hoe al deze verschillende disciplines samenkomen en betekenis geven aan wat er aan de hand is."