Wetenschap
Doorlaatbaarheid van rotsen en microbevingen kunnen een zegen zijn voor geothermische energie
Voor het opwekken van geothermische energie is een doorlatende ondergrond nodig om op efficiënte wijze warmte af te geven wanneer koude vloeistoffen in het gesteente worden geperst. Dit onderzoek onthult de optimale tijden voor efficiënte energieoverdracht door het verband met micro-aardbevingen bloot te leggen, die aan de oppervlakte worden gevolgd via seismometers. Het team publiceerde hun bevindingen in Nature Communications .
Met behulp van twee datasets van de EGS Collab- en Utah FORGE-demonstratieprojecten gebruikten onderzoekers machine learning om de 'ruis' uit de gegevens te extraheren die de link verdoezelde. Onderzoekers gebruikten vervolgens machinaal leren om van de ene locatie een model te maken en pasten dit met succes toe op de andere – een proces dat transfer learning wordt genoemd – wat suggereert dat de link werd gevormd op basis van de algemene fysica van ondergrondse gesteenten. Dat betekent dat het waarschijnlijk universeel waar zal zijn voor alle geothermische energielocaties, aldus de onderzoekers.
"Het succes van transfer learning bevestigt de generaliseerbaarheid van de modellen", zegt Pengliang Yu, postdoctoraal onderzoeker aan Penn State en hoofdauteur van de studie. "Dit suggereert dat seismische monitoring breed kan worden gebruikt om de efficiëntie van de overdracht van geothermische energie op een groot aantal locaties te verbeteren."
Het vergroten van de doorlaatbaarheid van gesteenten is van cruciaal belang voor een reeks energiewinningsmethoden, zei Yu. De doorlaatbaarheid van gesteenten heeft invloed op de traditionele terugwinning van fossiele brandstoffen en op hernieuwbare energiebronnen, waaronder de productie van waterstof. Hydrofracturing-methoden introduceren koude vloeistoffen in de ondergrond via poreus gesteente, waardoor hoge druk ontstaat die het gesteente onder spanning of schuifkracht doet breken.
Dit proces veroorzaakt micro-aardbevingen die vergelijkbaar zijn met natuurlijk voorkomende aardbevingen, maar dan op veel kleinere schaal. Door de permeabiliteit van het gesteente te vergroten, kunnen energieën zoals warmte en koolwaterstoffen gemakkelijker het oppervlak bereiken.
Yu zei dat hun algoritme een directe link liet zien, wat betekent dat het gesteente het meest doorlaatbaar werd wanneer de seismische activiteit het sterkst was.
Het identificeren van het verband tussen seismische activiteit en de doorlaatbaarheid van gesteenten verbetert het vermogen om energie te extraheren en zorgt ervoor dat microbevingen onder de drempel blijven die schade zou kunnen veroorzaken of door het publiek zou kunnen worden waargenomen.
"Machine learning speelde een sleutelrol bij het blootleggen van de relatie tussen seismische activiteit en de permeabiliteit van rotsen", zegt co-auteur Parisa Shokouhi, hoogleraar technische wetenschappen en mechanica aan het College of Engineering. "Het hielp bij het identificeren van de belangrijke kenmerken van de seismische gegevens voor het voorspellen van de evolutie van de rotspermeabiliteit. We hebben het machine learning-algoritme beperkt om een fysiek betekenisvol model te garanderen. In ruil daarvoor onthulde de modelvoorspelling een voorheen onbekende fysieke link tussen seismische gegevens en rotspermeabiliteit."
Het vergroten van de beschikbaarheid van geothermische energie zou de afhankelijkheid van fossiele brandstoffen verminderen, aldus de onderzoekers. Bovendien merkten ze op dat het koppelen van de permeabiliteit van gesteenten aan microbevingen nuttig kan zijn bij het monitoren van gasbewegingen voor koolstofvastlegging en de productie en opslag van ondergrondse waterstof.
Het onderzoek maakt deel uit van een groter project om de kosten te verlagen en de productie van geothermische energie te verhogen en machine learning te gebruiken om aardbevingen, inclusief microbevingen, beter te begrijpen en te voorspellen.
"Yu's werk maakt deel uit van onze inspanningen om geothermische exploratie en geothermische energieproductie te bevorderen met behulp van machine learning-methoden", zegt co-auteur Chris Marone, hoogleraar geowetenschappen aan Penn State. "Onze laboratoriumstudies laten duidelijke verbanden zien tussen de evolutie van elastische eigenschappen voorafgaand aan aardbevingen in het laboratorium, en we zijn verheugd om te zien dat soortgelijke relaties in de natuur worden waargenomen."