Yeraltına sıvı enjekte etmeye başladıktan sonra 1-30 saniye içinde ne olur? MikroEartlar (MEQ'lar) ne zaman ve nerede hareket ettiğini tahmin etmek için stimülasyon geçmişi ve izleme verilerini kullanan derin öğrenme modeli oluşturduk.
Neden yeraltı yüzeyine sıvı enjekte etmelisiniz?
Bunun tuhaf geldiğini düşünebilirsiniz – kasıtlı olarak yeraltı yüzeyine sıvı enjekte ediyoruz. Ancak bunu uzun zamandır yapıyoruz ve sürdürülebilir ve geleneksel enerji üretimi için gereklidir. Örneğin, gelişmiş jeotermal sistemlerde (EGS), jeotermal enerji derinlikle artar, ancak elektrik üretmek için suyu dolaşmamız gerekir ve bazı jeolojik ortamlar yeterli geçirgenliğe sahip değildir. Böylece (1) kırık yaratmaya ve (2) suyun dolaşımına ve ısıyı çıkarmasına izin verdik. Bu bağlamda, MEQ analizi kırık kapsamını ve özelliklerini ölçmek için kullanılabilir, bu da onu rezervuar stimülasyonunun gerçek zamanlı izlemesi için etkili bir araç haline getirir.
Neden makine öğrenimi?
MikroEartlar ne zaman ve nerede üretildiğini çıkarmak için fizik tabanlı bir simülasyon çalıştırabileceğimizi düşünebilirsiniz. Bilim adamları güçlü, sofistike birleştirilmiş multipizik simülatörler geliştirdiler, ancak alan bilgileri genellikle belirsizdir; Tüm yüzyılın tamamını delemeyiz, bu nedenle ilgilenilen alan hakkında bilgi sınırlıdır. Örneğin, sadece önceden var olan bazı kırıklar bilinmektedir ve jeomalzemeler heterojen ve anizotropiktir. Bu nedenle, simülasyonlar modellemeyi sınırlayan birçok varsayım ve idealizasyon gerektirir. Bu arada, saha izleme verilerinden yararlanabiliriz. Veri odaklı bir makine öğrenme modeli, açık jeolojik varsayımlar gerektirmez; İzleme verilerinden yararlanır ve mikroEartlar'ın izleme verileri ve mikroseizmlik arasındaki öğrenilmiş ilişkilerden ne zaman ve nerede gerçekleştiğini tahmin ederek fizik tabanlı simülatörleri tamamlayabilir.
Transformatör sadece sonraki kelimeler için değil
Günümüzde Chatgpt ve Gemini gibi büyük dil modellerine (LLM'ler) aşinayız. Kısmi cümleler verilen en olası bir sonraki kelimeyi tahmin etmek için eğitilmiştir. Aynı sezgiyi sıvı enjeksiyon problemleri için kullanıyoruz: Sıralı verilerimiz (enjeksiyon geçmişi ve MEQ'lar) var ve gelecekteki MEQ özelliklerini tahmin etmek istiyoruz. MEQ davranışını 1, 15 ve 30 saniye önce tahmin etmek için bir transformatör (bugünün dil modellerinin arkasındaki aile) eğittik. Her adımda, her şeyi “şimdi” – enjeksiyon geçmişi ve MEQ yanıtı – yutur ve dört hedefi tahmin eder:
- Kümülatif MEQ sayımı
- Kümülatif (Log) Sismik Moment (Salınan Enerji Proxy)
- P50 mesafesi (MEQ bulutunun medyan mesafesi)
- P95 mesafe (MEQ bulutunun uzak mesafesi)
Neden P50 ve P95? P50, aktivitenin en yoğun olduğu yerde – genellikle geçirgenliğin arttığı yerlerde. P95, etkinliğin ne kadar yayıldığını izler ve bir sınır göstergesi olarak hizmet eder. Birlikte, bulutun “ne kadar” ve “ne kadar uzak” göç ettiğini özetliyorlar. Senkronize enjeksiyon geçmişleri ve mikroseismik kataloglarla sıkı bir şekilde enstrüman bir saha deneyi olan Sanford Underground Araştırma Tesisinde EGS Collab Deney 1'de eğitim aldık ve test ettik.
Ne bulduk
Tahmin modelimiz için tahmin uzunluklarında performansı değerlendirmek için tahmin ufkunu değiştiriyoruz. Şekil, bir test veri kümesi (eğitim sırasında görülmeyen) için uzamsal MEQ mesafesinin öngörülmesine bir örnektir.
Figür. Spatial evolution of microearthquake (MEQ) clouds and forecast performance (The black solid line is the injection well; the red triangle is the injection point; the dotted line is the production well. Black solid circles are observations from monitoring data; blue and red solid circles are 1-second and 15-second forecasts, respectively. Black, blue, and red dotted circles denote P95 observation, 1-second tahmin ve 15 saniyelik tahmin.)
Kısacası, model bir sonraki saniye için oldukça doğrudur ve 15 saniyeye kadar yararlı kalır.
Operasyonlar için neden önemlidir?
- Gerçek zamanlı farkındalık: Sayımların ve enerji tahminleri, gerçeğin ardından tepki vermek yerine artışların öngörülmesine yardımcı olur.
- Mekansal risk analizi: P95 izlemek, faaliyetin hassas sınırlara yaklaşıp yaklaşmadığı konusunda uyarır; P50, stimülasyonun en etkili olduğunu gösterir.
Derin öğrenme tahminlerinin potansiyeli ve zorlukları
Bu çalışmada, derin öğrenmenin, mezoskal saha deneylerinde sıvıya bağlı mikroartlarların uzamsal evrimini tahmin edebileceğini gösteriyoruz. Bu hikayenin sonu mu? Bunu gerçek saha ölçekli enjeksiyonlara uygulayabilir miyiz? Biz iyimseriz, ama henüz değil. Bu çalışma bir basamak taşıdır, ancak ölçeklenebilirliği kanıtlamamız gerekir. Alan ölçeğinde, enjeksiyonlar ve MEQ yanıtları daha büyüktür ve izleme daha seyrek olabilir. Bu nedenle, mimariyi ölçeklendirmemiz ve pratik etki için ince ayar yapmamız gerekiyor-ilginç bir zorluk.
Bir yanıt yazın